[論文レビュー] A Survey of Quantum Learning Theory

Srinivasan Arunachalam, Ronald de Wolf|arXiv (Cornell University)|Jan 24, 2017

Quantum Computing Algorithms and Architecture参考文献 53被引用数 46

ひとこと要約

本調査では、量子学習理論の包括的な理論的分析を提供し、3つのモデルを検討する：メンバーシップクエリを用いた正確な学習、および古典的または量子の例を用いたPAC学習とアグノスティック学習。量子メンバーシップクエリは、古典的手法に対して多項式的あるいは超多項式的スピードアップを提供できることを確立している。一方、分布に依存しない設定では、量子の例はサンプル複雑度において顕著な利点を提供しないが、一様分布などの特定の分布では指数的かつより効率的である可能性がある。

ABSTRACT

This paper surveys quantum learning theory: the theoretical aspects of machine learning using quantum computers. We describe the main results known for three models of learning: exact learning from membership queries, and Probably Approximately Correct (PAC) and agnostic learning from classical or quantum examples.

研究の動機と目的

• データへの量子アクセスを有する学習モデルに焦点を当て、量子機械学習の理論的基盤を体系的かつ包括的に調査すること。
• クエリ、サンプル、時間複雑度という観点から、量子学習と古典的学習の相対的利点を明確にすること。
• 特にDNF、ジャンプス、およびAC0回路などの概念クラスに関して、量子学習理論における未解決問題と研究方向性を特定すること。
• 量子の例が古典的学習に対して指数的または超多項式的スピードアップをもたらす条件を分析すること。
• Groverの探索、アモニチュード増幅、位相推定といった量子アルゴリズムが学習タスクにどのように応用可能かを検討すること。

提案手法

• 3つの学習モデルを分析：メンバーシップクエリを用いた正確な学習、PAC学習、アグノスティック学習。
• 量子クエリ下界と量子アルゴリズム設計の技術を用いて、古典的および量子のクエリ複雑度を比較。
• 学習問題にGroverの探索、アモニチュード増幅、位相推定などの量子アルゴリズムを適用。
• 組合せ論的および情報理論的ツールを用いて、特に一様分布や他の固定分布下での量子サンプル複雑度を評価。
• 量子メンバーシップクエリ複雑度の概念を導入し、拡張教示次元やγ(C)といった構造的パラメータと関連付ける。
• 対称的k-ジャンプスの量子クエリ複雑度に対してタイトな境界を提示し、古典的複雑度から4乗の分離を示している。

実験結果

リサーチクエスチョン

• RQ1 対称的k-ジャンプスの学習において、量子メンバーシップクエリは古典的メンバーシップクエリに対して超多項式的スピードアップを達成できるか？
• RQ2 PACまたはアグノスティック学習モデルにおいて、量子の例は古典的確率的例よりも顕著な利点を提供するか？
• RQ3 どのような概念クラス（例：DNF、ジャンプス、AC0）において、特定の分布下で量子の例が指数的または超多項式的スピードアップを提供するか？
• RQ4 量子アルゴリズムは、仮説が概念クラスに属する「適切な学習」を、最適なサンプル複雑度で達成できるか？
• RQ5 現在の量子アルゴリズムを用いて、実際に証明可能な大規模な量子スピードアップを示せる実用的機械学習問題は存在するか？

主な発見

• 対称的k-ジャンプス（例：メジャリティ関数）の学習において、量子メンバーシップクエリは古典的クエリのΩ(k)に対してO(k^{1/4})のクエリ数で実現でき、4乗のスピードアップを達成する。
• 分布に依存しないPACおよびアグノスティック学習では、量子の例は古典的例と比較してサンプル複雑度を定数要因を超えて削減しない。
• 一様分布下では、量子の例はDNF式やジャンプスを古典的手法よりも著しく効率的に学習でき、DNF学習は多項式時間の量子例数で可能となる。
• ShorのアルゴリズムやSimonのアルゴリズムで解ける概念クラスは、PACモデルでさえも、古典的学習よりも超多項式的に速く学習可能である。
• 正確な学習における量子クエリ複雑度は、O(D(C) + Q(C)^2)で有界であり、この境界をO(nQ(C) + Q(C)^2)に改善できるかどうかは未解決の問題である。
• 本稿では、AC0またはTC0回路が一様な量子例を用いてPAC学習可能かどうか、およびAngluinの同等性クエリモデルにおける量子スピードアップの有無といった、いくつかの未解決問題を同定している。