基于量子核支持向量回归的半监督异常检测

异常检测（AD）涉及识别在某种方式上偏离其余数据的观测或事件。机器学习技术已通过在大规模数据中检测隐藏模式与偏差成功实现了该过程自动化。量子计算对机器学习的潜力已被广泛认可,引发了开发合适量子机器学习（QML）算法的广泛研究。特别是针对近期 NISQ 设备的 QML 算法搜索正全面展开。然而,NISQ 设备因其有限的量子比特相干时间、低量子比特数和高错误率带来了额外挑战。基于量子核估计的核方法已成为 NISQ 设备上 QML 的一种有前景途径,提供理论保证、通用性以及与 NISQ 约束的兼容性。尤其是利用量子核估计的支持向量机（SVM）已在多种监督学习任务中取得成功。然而在 AD 背景下,半监督学习极具相关性,而该领域已发表研究有限。本文提出一种基于具量子核的支持向量回归（SVR）重构损失的半监督 AD 方法。该新颖模型是变分量子与量子核单类分类器的替代方案,并与作为量子基线的量子自编码器、作为经典基线的具径向基函数（RBF）核的 SVR 以及经典自编码器进行比较。模型在 10 个真实世界 AD 数据集与 1 个玩具数据集上广泛基准测试,表明我们的量子核 SVR 优于 RBF 核 SVR 及所有其他模型,在所有数据集上取得最高平均 AUC。此外,我们的 QSVR 在 11 个数据集中 9 个上优于量子自编码器。