[論文レビュー] Classical Verification of Quantum Learning

C. Matthias, Marcel Hinsche+3 more|arXiv (Cornell University)|Jun 8, 2023

Quantum Computing Algorithms and Architecture被引用数 2

ひとこと要約

本稿は、信頼できない量子サーバーを用いて量子データを含む学習タスクを委譲・検証できる古典的検証のフレームワークを導入する。古典的検証者は、ランダムな例や統計的クエリのみを用いて、量子重ね合わせ状態の混合物を用いるプローバーでさえも、パリティ関数やフーリエスパース関数のアグノスティック学習を効率的かつ信頼性高く検証できることを示し、最小限の古典的アクセスで実現される新たな量子優位性のクラスを確立する。

ABSTRACT

Quantum data access and quantum processing can make certain classically intractable learning tasks feasible. However, quantum capabilities will only be available to a select few in the near future. Thus, reliable schemes that allow classical clients to delegate learning to untrusted quantum servers are required to facilitate widespread access to quantum learning advantages. Building on a recently introduced framework of interactive proof systems for classical machine learning, we develop a framework for classical verification of quantum learning. We exhibit learning problems that a classical learner cannot efficiently solve on their own, but that they can efficiently and reliably solve when interacting with an untrusted quantum prover. Concretely, we consider the problems of agnostic learning parities and Fourier-sparse functions with respect to distributions with uniform input marginal. We propose a new quantum data access model that we call "mixture-of-superpositions" quantum examples, based on which we give efficient quantum learning algorithms for these tasks. Moreover, we prove that agnostic quantum parity and Fourier-sparse learning can be efficiently verified by a classical verifier with only random example or statistical query access. Finally, we showcase two general scenarios in learning and verification in which quantum mixture-of-superpositions examples do not lead to sample complexity improvements over classical data. Our results demonstrate that the potential power of quantum data for learning tasks, while not unlimited, can be utilized by classical agents through interaction with untrusted quantum entities.

研究の動機と目的

• 信頼できない量子サーバーを用いた量子学習タスクの古典的検証フレームワークの開発。
• 古典的学習者には困難だが、量子支援と古典的検証で解ける学習問題の同定。
• 効率的な量子学習と検証を可能にする新しい量子データアクセスモデル「重ね合わせの混合」例の導入。
• 古典的検証者が、ランダムな例や統計的クエリなどの古典的データアクセスのみを用いて、量子学習を検証できることの証明。
• 分布に依存しないアグノスティック学習と検証における重ね合わせの混合例の理論的限界の確立。

提案手法

• 古典的入出力ペアを構造的位相関係を持つ量子重ね合わせに符号化する「重ね合わせの混合」例と呼ばれる新しい量子データアクセスモデルを提案。
• 重ね合わせの混合モデルを用いて、一様な入力周辺分布のもとでパリティ関数およびフーリエスパース関数のアグノスティック学習のための効率的量子学習アルゴリズムを開発。
• 古典的検証者が、ランダムな例や統計的クエリのみを用いて、量子プローバーとのインタラクティブなプロトコルにより学習された仮説の正しさを検証するプロトコルを導入。
• 相互情報量のバウンディングと標本複雑度の下界を導出するために、量子状態トモグラフィーと密度行列のスペクトル解析を用いる。
• 量子例の情報含量を分析するために、ヴォイェン・ネウマンエントロピーと固有値分解を含む情報理論的技術を適用。
• 分布的および関数的学習問題を統計的クエリモデルに還元することで、完全な量子アクセスなしに古典的検証を可能にする。

実験結果

リサーチクエスチョン

• RQ1 信頼できない量子サーバーが実行する量子学習タスクを、古典的検証者が効率的かつ信頼性高く検証できるか？
• RQ2 分布に依存しないアグノスティック学習において、重ね合わせの混合例は標本複雑度の面で量子的優位性を提供するか？
• RQ3 ランダムな例や統計的クエリなどの古典的データアクセスのみを用いて、古典的検証者が量子学習を検証できるか？
• RQ4 相互情報量と標本複雑度の観点から、重ね合わせの混合例の情報理論的限界は何か？
• RQ5 最小限のアクセス仮定のもとで、アグノスティック学習の検証において、量子データと古典的データのパワーはどのように比較されるか？

主な発見

• 古典的検証者は、プローバーが量子重ね合わせの混合例を用いていようと、ランダムな例や統計的クエリへのアクセスのみを用いて、パリティ関数およびフーリエスパース関数のアグノスティック学習を効率的かつ信頼性高く検証可能である。
• フレームワークは、古典的限界と一致する標本複雑度の下界を達成しており、分布に依存しないアグノスティック学習における重ね合わせの混合例が標本複雑度を低下させないことを示している。
• 仮説とデータ間の相互情報量は 𝑂(𝑚𝜖² log 𝑑) でバウンディングされ、必要なコピー数の下界 𝑚 = Ω(𝑑 / 𝜖²) が得られ、既知の古典的限界と一致する。
• 分布に依存しないアグノスティック学習の標本複雑度の下界が 𝑚 = ˜Ω(𝑑 / 𝜖²) であることが証明され、この領域では量子データによる漸近的改善が得られないことが示された。
• 関数的および分布的アグノスティック量子学習の検証プロトコルが構築され、古典的アクセスのみを用いて正当性が証明された。これにより、量子データが古典的検証のセキュリティを損なわないことが示された。
• 結果として、量子データは古典的には学習不能な問題を可能にするが、その検証は古典的手段で依然として可能であり、信頼できない量子サーバーに対する信頼性が保たれることを示している。