[論文レビュー] Efficient Quantum One-Class Support Vector Machines for Anomaly Detection Using Randomized Measurements and Variable Subsampling

Michael Kölle, Afrae Ahouzi+5 more|arXiv (Cornell University)|Jul 30, 2024

Spectroscopy Techniques in Biomedical and Chemical ResearchBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本稿では、変数サブサンプリング、ランダム化測定、回転させた特徴量バッグイングを組み合わせたハイブリッド量子古典的アプローチを提案し、異常検出のための効率的な量子ワンクラスSVMを実現する。これらの技術を統合することで、データサイズおよび特徴量数の両方において線形時間計算量を達成するとともに、平均適合率とトレーニング／テスト速度を顕著に向上させる。ただし、ランダム化測定による高い分散が問題となる。

ABSTRACT

Quantum one-class support vector machines leverage the advantage of quantum kernel methods for semi-supervised anomaly detection. However, their quadratic time complexity with respect to data size poses challenges when dealing with large datasets. In recent work, quantum randomized measurements kernels and variable subsampling were proposed, as two independent methods to address this problem. The former achieves higher average precision, but suffers from variance, while the latter achieves linear complexity to data size and has lower variance. The current work focuses instead on combining these two methods, along with rotated feature bagging, to achieve linear time complexity both to data size and to number of features. Despite their instability, the resulting models exhibit considerably higher performance and faster training and testing times.

研究の動機と目的

• データサイズに比例する2次時間計算量と、キュービット数に指数関数的に依存する量子ワンクラスSVMのスケーラビリティの制限を解消すること。
• 変数サブサンプリングと量子ランダム化測定カーネルを組み合わせることで、性能と効率を向上させること。
• 変数サブサンプリングアンサンブルに回転させた特徴量バッグイングを導入することで、キュービット数／特徴量に対する指数関数的時間計算量を低減すること。
• 高品質な平均適合率を維持しながら、トレーニングおよび推論時間を短縮すること。
• 量子カーネルベースの異常検出における、性能、安定性、計算効率のトレードオフを調査すること。

提案手法

• 変数サブサンプリングを用いて、特徴量の低次元サブセット上で複数の量子OC-SVMをトレーニングすることで、データサイズに線形な時間計算量を達成する。
• ランダム化測定を用いて、量子カーネル行列を効率的に計算し、高い平均適合率を実現するが、高い分散を引き起こす。
• 回転させた特徴量バッグイングは、入力特徴量をランダムに回転させた後にサブサンプリングを行うことで、有効次元を低減し、指数関数的キュービット依存性を軽減する。
• サブサンプリングされたモデルの予測を、最大値をとる組み合わせ関数を用いてアンサンブル化することで、耐性と性能を向上させる。
• 量子インバージョンテストカーネルとランダム化測定を、変数サブサンプリングフレームワーク内に統合し、速度と正確性のバランスを取る。
• 入力特徴量にランダム回転を適用する修正された特徴マップを用いることで、高次元設定においてもランダム化測定を効率的に適用可能にする。

実験結果

リサーチクエスチョン

• RQ1 変数サブサンプリング量子OC-SVMアンサンブルは、ランダム化カーネル測定を活用することで利益を得られるか。また、性能にトレードオフがあるか。
• RQ2 これらの変数サブサンプリングアンサンブルに回転させた特徴量バッグイングを適用することで、キュービット数／特徴量に対する指数関数的時間計算量を低減できるか。
• RQ3 変数サブサンプリングとランダム化測定、回転させた特徴量バッグイングを組み合わせることで、個別の手法に比べて時間計算量と性能が向上するか。
• RQ4 得られたモデルの分散は、古典的または量子ベースラインと比較してどうか。また、これを軽減できるか。
• RQ5 アンサンブルサイズと最大サブサンプルサイズが、モデルの安定性と性能に与える影響は何か。

主な発見

• 提案手法である変数サブサンプリングに回転させた特徴量バッグイングとランダム化測定を組み合わせたVS-RFB-RMは、データサイズおよび特徴量数／キュービット数の両方において線形時間計算量を達成する。
• 高い分散が見られるものの、VS-RFB-RMは、クレジットカードデータセットにおいて、すべてのテスト済み量子手法の中で最高の平均適合率を達成する。
• キュービット数に指数関数的に依存する未処理のランダム化測定と比較して、トレーニングおよびテスト時間は著しく短縮される。
• 回転させた特徴量バッグイングを用いた手法は、ランダム化測定の指数関数的時間依存性を効果的に軽減し、高次元データへの適用を可能にする。
• ランダム化測定と変数サブサンプリングを組み合わせた結果、性能向上は予想外のものであり、平均適合率が向上するとともに、トレーニングおよび推論速度も向上する。
• 高い分散は、ランダム化測定カーネル、最大スコア組み合わせ関数、およびおそらく不十分なアンサンブルサイズとサブサンプル制限に起因している。