[論文レビュー] Evaluating the Impact of Different Quantum Kernels on the Classification Performance of Support Vector Machine Algorithm: A Medical Dataset Application

Emine Akpinar, Sardar M. N. Islam+1 more|arXiv (Cornell University)|Jul 13, 2024

Artificial Intelligence in Healthcare被引用数 5

ひとこと要約

この論文は、さまざまな量子特徴マップがQSVM-カーネル分類精度と実行時間にどう影響するかを、2つの医療データセットで評価し、最高の性能をもたらす特徴マップを特定します。

ABSTRACT

The support vector machine algorithm with a quantum kernel estimator (QSVM-Kernel), as a leading example of a quantum machine learning technique, has undergone significant advancements. Nevertheless, its integration with classical data presents unique challenges. While quantum computers primarily interact with data in quantum states, embedding classical data into quantum states using feature mapping techniques is essential for leveraging quantum algorithms Despite the recognized importance of feature mapping, its specific impact on data classification outcomes remains largely unexplored. This study addresses this gap by comprehensively assessing the effects of various feature mapping methods on classification results, taking medical data analysis as a case study. In this study, the QSVM-Kernel method was applied to classification problems in two different and publicly available medical datasets, namely, the Wisconsin Breast Cancer (original) and The Cancer Genome Atlas (TCGA) Glioma datasets. In the QSVM-Kernel algorithm, quantum kernel matrices obtained from 9 different quantum feature maps were used. Thus, the effects of these quantum feature maps on the classification results of the QSVM-Kernel algorithm were examined in terms of both classifier performance and total execution time. As a result, in the Wisconsin Breast Cancer (original) and TCGA Glioma datasets, when Rx and Ry rotational gates were used, respectively, as feature maps in the QSVM-Kernel algorithm, the best classification performances were achieved both in terms of classification performance and total execution time. The contributions of this study are that (1) it highlights the significant impact of feature mapping techniques on medical data classification outcomes using the QSVM-Kernel algorithm, and (2) it also guides undertaking research for improved QSVM classification performance.

研究の動機と目的

• 古典データと組み合わせたときの特徴マッピングが量子カーネル法に与える影響を検討することで研究の動機づけを行う。
• 医療データセットに対して9種類の異なる量子特徴マップを用いてQSVM-カーネルの性能を評価する。
• 特徴マップ間で分類精度と総実行時間を比較する。
• 医療データにおけるQSVM分類結果を改善するための特徴マッピングの選択に関する指針を提供する。

提案手法

• 9種類の異なる量子特徴マップから導出された量子カーネル行列を用いてQSVM-カーネルを適用する。
• 公開されている医療データセットを2つ使用する：Wisconsin Breast Cancer (original) および TCGA Glioma。
• 各特徴マップについて分類性能と総実行時間を評価する。
• 各データセットで最良の結果をもたらす特徴マップ（例：RxおよびRy回転ゲート）を特定する。
• 特徴マップの選択と計算効率の関係を分析する。

実験結果

リサーチクエスチョン

• RQ1 異なる量子特徴マップは医療データに対するQSVM-カーネル分類性能にどのように影響するか？
• RQ2 検討対象のデータセットで、精度と実行時間のトレードオフを最適化する特徴マップはどれか？
• RQ3 特定のゲート（例：Rx、Ry）はデータセット全体で一貫して優れた結果をもたらすか？

主な発見

• RxおよびRy回転ゲートが最良の分類性能と実行時間を達成した。
• 本研究は、QSVM-Kernelを用いた医療データの分類結果に対する特徴マッピング技術の重要な影響を示している。
• 適切な特徴マップを通じて性能を向上させるQSVM分類設計の指針が提供される。