[論文レビュー] Image Classification Based on Quantum KNN Algorithm

Yijie Dang, Nan Jiang+3 more|arXiv (Cornell University)|May 16, 2018

Quantum Computing Algorithms and Architecture参考文献 31被引用数 6

ひとこと要約

本論文は、量子重ね合わせを用いて並列な類似度計算を実現し、量子最小値探索を活用してk近傍の特定を高速化することで、画像分類に向けた量子強化K-近傍法（KNN）を提案する。この手法は、古典的KNNと比較して著しく実行時間を短縮する $O(\sqrt{kM})$ の複雑度を達成し、同時に高い精度（Graz-01で83.1%、Caltech-101で78%）を維持している。これは、1回の測定ステップで実現される効率的でスケーラブルな分類を示している。

ABSTRACT

Image classification is an important task in the field of machine learning and image processing. However, the usually used classification method --- the K Nearest-Neighbor algorithm has high complexity, because its two main processes: similarity computing and searching are time-consuming. Especially in the era of big data, the problem is prominent when the amount of images to be classified is large. In this paper, we try to use the powerful parallel computing ability of quantum computers to optimize the efficiency of image classification. The scheme is based on quantum K Nearest-Neighbor algorithm. Firstly, the feature vectors of images are extracted on classical computers. Then the feature vectors are inputted into a quantum superposition state, which is used to achieve parallel computing of similarity. Next, the quantum minimum search algorithm is used to speed up searching process for similarity. Finally, the image is classified by quantum measurement. The complexity of the quantum algorithm is only O((kM)^(1/2)), which is superior to the classical algorithms. Moreover, the measurement step is executed only once to ensure the validity of the scheme. The experimental results show that, the classification accuracy is 83.1% on Graz-01 dataset and 78% on Caltech-101 dataset, which is close to existing classical algorithms. Hence, our quantum scheme has a good classification performance while greatly improving the efficiency.

研究の動機と目的

• 大規模データ環境下でも計算コストが高くなる古典的KNNの課題を解決すること。
• 量子コンputationの並列性を活用し、類似度計算とk近傍探索の最適化を図ること。
• 高い精度を維持しながら時間計算量を著しく削減する量子画像分類フレームワークを設計すること。
• Graz-01 や Caltech-101 といった実世界の自然画像データセットにおける量子KNNの実現可能性と性能を実証すること。
• 測定ステップを最小限に抑え、手法の妥当性を保証することで、画像分類における量子優位性を確立すること。

提案手法

• 従来のパイプラインと互換性を保つために、画像から古典的手法で特徴ベクトルを抽出する。
• 抽出された古典的特徴ベクトルを量子重ね合わせ状態に符号化し、すべての訓練サンプルにおける類似度を並列に評価可能にする。
• Dürrのアルゴリズムを用いた量子アモイチュード増幅により、k番目に小さい距離を効率的に特定し、探索の複雑度を $O(\sqrt{kM})$ に低減する。
• 繰り返しアモイチュードを増幅することで、最小距離を持つ要素を特定する量子最小値探索アルゴリズムを用い、k個の近傍を同定する。
• 状態を収縮させるために1回の量子測定を実行し、k個の最も近い訓練画像のインデックスを取得する。
• k個の近傍の多数決による投票によって分類を決定し、その結果を予測クラスとして出力する。

実験結果

リサーチクエスチョン

• RQ1 量子コンputationを活用することで、古典的手法と比較してKNNベースの画像分類の時間計算量を著しく削減できるか？
• RQ2 Graz-01 や Caltech-101 といった実際の自然画像データセットにおいて、提案された量子KNNアルゴリズムの分類精度はどの程度か？
• RQ3 計算負荷が低減されているにもかかわらず、限られた訓練データでも高い精度を維持できるか？
• RQ4 1回の量子測定ステップを用いることで、分類結果の妥当性と信頼性にどのような影響を与えるか？
• RQ5 どの程度まで、量子並列性とアモイチュード増幅を活用して、画像分類における類似度計算と近傍探索を効果的に高速化できるか？

主な発見

• 量子KNNアルゴリズムは、類似度計算と探索操作の古典的複雑度 $O(M)$ や $O(M\log k)$ と比較して、著しく改善された $O(\sqrt{kM})$ の時間計算量を達成している。
• Graz-01 データセットでは、$k=5$ で訓練データの90%を使用した場合、ピーク精度が83.1%に達した。
• Caltech-101 データセットでは、$k=3$ で訓練比90%の条件で78%の精度を達成し、多クラス自然画像においても優れた性能を示した。
• 訓練データが減少しても、精度が70%以上を維持しており、データ不足に対しても頑健であることが示された。
• 状態の量子実装であるにもかかわらず、最先端の古典的KNN手法と同等の精度を達成しており、本手法の有効性が裏付けられた。
• 1回の測定ステップを採用することで、測定による状態崩壊の問題を回避し、量子分類プロセスの妥当性と一貫性が保証された。