量子比特序列重排：利用谱排序改善数据-模型对齐
量子物理
2022-11-30 v1
摘要
随着量子及量子启发机器学习的出现，使学习模型的结构适配目标数据集的结构已被证明对获得高性能至关重要。基于张量网络（TNs）的概率模型因偏向于相对于模型拓扑局部的关联，而成为受益于数据依赖设计的首要候选。本工作中，我们利用谱图论的方法搜索适配输入数据集结构的最优模型位点置换。我们的方法使用来自目标数据集的成对互信息估计，以确保强关联比特相对于模型拓扑被放置得更靠近彼此。我们展示了此类预处理对概率建模任务的有效性，发现基于矩阵乘积态（MPS）的生成模型在多种数据集上的性能得到显著提升。我们还展示了谱图论中的降维技术谱嵌入如何用于进一步洞察感兴趣数据集的结构。
引用
@article{arxiv.2211.15978,
title = {Qubit seriation: Improving data-model alignment using spectral ordering},
author = {Atithi Acharya and Manuel Rudolph and Jing Chen and Jacob Miller and Alejandro Perdomo-Ortiz},
journal= {arXiv preprint arXiv:2211.15978},
year = {2022}
}
备注
9 pages, 5 figures