面向噪声鲁棒的量子多臂赌博机与随机线性臂 bandit
机器学习
2026-03-20 v1
摘要
量子多臂赌博机(MAB)和随机线性bandit(SLB)最近引起了广泛关注，因为它们的量子版本可相对于经典MAB和SLB实现二次速度提升。然而，大多数现有量子MAB算法假设在无噪声电路上的理想量子蒙特卡罗(QMC)程序，忽略了当前噪声中间规模量子(NISQ)设备上的噪声影响。在本文中，我们研究了一种对噪声鲁棒的QMC算法，以提高查询量子奖励或acles时的估计精度。基于此估计器，我们提出了鲁棒QMAB和QSLB算法，在噪声环境中提高性能，同时保持相对于经典方法的优势。实验表明，我们的鲁棒方法在多种量子噪声模型下提高了QMAB估计精度并降低了regret。
引用
@article{arxiv.2603.18431,
title = {Towards Noise-Resilient Quantum Multi-Armed and Stochastic Linear Bandits},
author = {Zhuoyue Chen and Kechao Cai},
journal= {arXiv preprint arXiv:2603.18431},
year = {2026}
}