使用参数化量子电路进行无监督特征提取与重构
量子物理
2025-02-12 v1
摘要
自编码器是经典计算中用于无监督特征提取、降维和生成学习的基础工具。由 Romero J.[2017 Quantum Sci. Technol. 2 045001] 提出的量子自编码器 (QAE) 将这一概念扩展至量子系统，并主要应用于异常检测等任务。尽管具有潜力，但 QAE 尚未在诸如手写数字分类等基本分类任务中得到广泛评估，而这些任务本可为其能力提供更深入的理解。在本工作中，我们系统地研究了 QAE 在无监督特征提取和重构任务中的性能。利用多种编码器和解码器架构，我们探索了 QAE 对 MNIST 进行分类的能力及其重构有效性。值得注意的是，使用基于 QCNN 的编码器，QAE 在 MNIST（0 和 1）的二元分类中实现了 97.59% 的平均准确率，证明了 QAE 用于此类任务的可行性。这一结果突显了 QAE 与 QCNN 在实现最佳特征提取性能方面的协同作用。然而，我们也发现了 QAE 在重构能力上的局限性，强调了在编码器和解码器设计上进一步发展的必要性。我们的发现为未来在实用量子机器学习应用中利用 QAE 的研究奠定了基础。
引用
@article{arxiv.2502.07667,
title = {Unsupervised Feature Extraction and Reconstruction Using Parameterized Quantum Circuits},
author = {Li-An Lo and Li-Yi Hsu and En-Jui Kuo},
journal= {arXiv preprint arXiv:2502.07667},
year = {2025}
}
备注
25 pages