[論文レビュー] A quantum-inspired classical algorithm for recommendation systems

Ewin Tang|arXiv (Cornell University)|Jul 10, 2018

Quantum Computing Algorithms and Architecture被引用数 11

ひとこと要約

この論文は、ランク-$k$ 近似において、ケレニディスとプラカシュの量子レコメンデーションシステムとほぼ同じ実行時間を達成する古典的アルゴリズムを提示する。時間は $O(\operatorname{poly}(k)\log(mn))$ で、特殊なデータ構造による $\ell^2$-ノルムサンプリングを活用することで、量子高速化の効率性を再現し、この場合の量子優位性は指数的ではなく多項式的であることを示している。

ABSTRACT

We give a classical analogue to Kerenidis and Prakash's quantum recommendation system, previously believed to be one of the strongest candidates for provably exponential speedups in quantum machine learning. Our main result is an algorithm that, given an $m imes n$ matrix in a data structure supporting certain $\ell^2$-norm sampling operations, outputs an $\ell^2$-norm sample from a rank-$k$ approximation of that matrix in time $O( ext{poly}(k)\log(mn))$, only polynomially slower than the quantum algorithm. As a consequence, Kerenidis and Prakash's algorithm does not in fact give an exponential speedup over classical algorithms. Further, under strong input assumptions, the classical recommendation system resulting from our algorithm produces recommendations exponentially faster than previous classical systems, which run in time linear in $m$ and $n$. The main insight of this work is the use of simple routines to manipulate $\ell^2$-norm sampling distributions, which play the role of quantum superpositions in the classical setting. This correspondence indicates a potentially fruitful framework for formally comparing quantum machine learning algorithms to classical machine learning algorithms.

研究の動機と目的

• ケレニディスとプラカシュの量子レコメンデーションシステムが古典的アルゴリズムよりも指数的高速化を達成しているという考えを挑戦すること。
• 同じ入力仮定の下で、量子アルゴリズムの性能を再現する古典的同等物を構築すること。
• 古典的アルゴリズムが同等の実行時間を持つことを示すことにより、この設定における量子高速化が指数的ではなく多項式的であることを証明すること。
• 量子重ね合わせと古典的 $\ell^2$-ノルムサンプリング分布との間の対応関係を形式化し、量子と古典の機械学習を比較するフレームワークを提供すること。
• 強い入力仮定の下で、古典的アルゴリズムが量子バージョンと同等の誤差境界を満たしつつ、高品質なレコメンデーションを生成する有効性を検証すること。

提案手法

• 行列の行および列に対する $\ell^2$-ノルムサンプリング操作をサポートするデータ構造を用い、量子状態準備に類似した処理を実現する。
• ベクトルサンプリングルーチンを用いて、古典的確率分布を用いて量子振幅増幅および射影ステップをシミュレートする。
• 反復的サンプリングと誤差制御を用いて低ランク近似を実行し、近似誤差を $\|A_{\sigma,\eta} - D\|_F$ で制御する。
• チェルノフの不等式と集中不等式を用いて、真の行列のフロベニウスノルムを推定する際の誤差を制御する。
• 出力分布の比較に、全 Variation 距離を用いる。
• マルコフの不等式と数え上げ的議論を用いて、一定の割合のユーザーに対して、比 $\|A_i\| / \|D_i\|$ が有界であることを示し、実行時間の効率性を保証する。

実験結果

リサーチクエスチョン

• RQ1 古典的アルゴリズムは、ケレニディスとプラカシュの量子レコメンデーションシステムと同等の漸近的実行時間を達成できるか？
• RQ2 このレコメンデーションシステムにおける量子高速化は、真に指数的であるのだろうか、それとも多項式的であるのだろうか？
• RQ3 古典的 $\ell^2$-ノルムサンプリングルーチンは、量子機械学習アルゴリズムにおける量子重ね合わせの役割をシミュレートできるか？
• RQ4 どのような入力仮定のもとで、この古典的アルゴリズムは線形時間で動作する従来の古典的レコメンデーションシステムを上回る性能を発揮するのか？
• RQ5 どの程度までに、古典的アルゴリズムは、サブ線形クエリ複雑性を維持しながら、量子レコメンデーションシステムの誤差境界に近づけるのか？

主な発見

• 古典的アルゴリズムは、$O(\operatorname{poly}(k)\log(mn))$ の時間で実行され、量子アルゴリズムの実行時間と多項式的遅延を除いて同一である。
• アルゴリズムは、量子アルゴリズムと同等の全 Variation 誤差境界を達成し、誤差 $O(\varepsilon + \rho)\|T\|_F$ を示す。ここで $\varepsilon$ は近似誤差を制御し、$\rho$ は低ランク近似誤差を制御する。
• 一定の割合のユーザーに対して、比 $\|A_i\| / \|D_i\|$ が有界であることが保証され、アルゴリズムのユーザーごとの実行時間が効率的である。
• 古典的サンプリングを用いても、失敗確率 $O(\varepsilon^2)$ を量子アルゴリズムと同一に維持する。
• フロベニウスノルム誤差 $\|T - D\|_F$ は $O(\rho + \varepsilon)\|T\|_F$ で有界であり、古典的近似が真の低ランク行列に近いことが示された。
• この結果により、このケースにおける指数的量子高速化の主張が否定され、量子優位性が多項式的であることが示された。