[論文レビュー] Image Classification via Quantum Machine Learning

Héctor Iván García Hernández, Raymundo Torres Ruiz+1 more|arXiv (Cornell University)|Nov 3, 2020

Quantum Computing Algorithms and Architecture参考文献 13被引用数 11

ひとこと要約

この論文は、2値符号化パターンと量子状態の重ね合わせを用いた完全な量子機械学習分類器を提案し、画像分類に適用する。実データセット（バランス型および極端に不均衡なクラスを含む）においても良好な性能を示し、特に医療画像診断において重要なマイノリティクラスに対して顕著に効果的である。理論的検証を超えて、量子機械学習の実用的有効性を裏付けた。

ABSTRACT

Quantum Computing and especially Quantum Machine Learning, in a short period of time, has gained a lot of interest through research groups around the world. This can be seen in the increasing number of proposed models for pattern classification applying quantum principles to a certain degree. Despise the increasing volume of models, there is a void in testing these models on real datasets and not only on synthetic ones. The objective of this work is to classify patterns with binary attributes using a quantum classifier. Specially, we show results of a complete quantum classifier applied to image datasets. The experiments show favorable output while dealing with balanced classification problems as well as with imbalanced classes where the minority class is the most relevant. This is promising in medical areas, where usually the important class is also the minority class.

研究の動機と目的

• 理論的証明や合成データにとどまらず、実世界の画像データセットにおける量子機械学習モデルの有効性を検証すること。
• 特に臨床的に重要なマイノリティクラス（例：疾患の検出）を含む不均衡分類の課題に取り組むこと。
• 実際の量子ハードウェアの制約と実用的な符号化を用いた完全な量子分類器の実装を示すこと。
• 限られたキュービット数とノイズを有する近い将来の量子デバイスにおける分類のスケーラビリティとロバストネスを評価すること。
• 医療や高リスク分野における将来的な量子強化画像分類の基盤を提供すること。

提案手法

• 各画素値を±1として、計算基底状態の均等重ね合わせに、2値画像パターンを量子状態にマッピングする。
• ユニタリ変換を用いて入力および重み状態を準備し、内積計算のための量子干渉を可能にする。
• 制御操作と|1⟩状態の測定を用いて、入力状態と重み状態の内積を量子回路で計算する。
• 測定結果に対してしきい値処理を施し、入力を2クラスのいずれかに分類する。
• ハイブリッド量子古典モデルの実装と回路生成にQiskitとPyTorchを用いる。
• MNISTに類似したデータセットとSemeionの数字データセットの2つを用い、標準的な機械学習評価指標（正解率、適合率、再現率、F1スコア、AUC）を適用する。

実験結果

リサーチクエスチョン

• RQ1 限られたキュービット数のもとで、完全な量子分類器が実画像分類タスクで競争力のある性能を達成できるか？
• RQ2 マイノリティクラスが最も重要である（例：医療診断）ような不均衡データセットにおいて、量子分類器の性能はいかがなものか？
• RQ3 限られたデータとハードウェアのノイズがある中でも、マイノリティクラスの再現率とF1スコアが高保ち続けられるか？
• RQ4 現在のノイズの多い中規模量子（NISQ）デバイスでも、量子重ね合わせと干渉がパターン分類において計算的優位性を提供できるか？
• RQ5 古典的画像データを量子状態にマッピングする際の実用的課題と、実ハードウェアでの忠実度維持の難しさは何か？

主な発見

• バランス型MNISTに類似したデータでは、平均F1スコアが0.872に達し、個々のクラスのF1スコアは0.739から0.964の範囲に分布した。
• 極端に不均衡なデータでは、マイノリティクラスの再現率が最大1.0を維持し、F1スコアは0.161から0.204の範囲に分布した。
• 最も不均衡なケースでは、数字7のAUCが0.567、数字5のAUCが0.560に達し、クラスの不均衡にもかかわらず中程度の識別力を持つことが示された。
• Semeionデータセットでは、数字7の最大再現率が0.977に達し、全クラスの平均正解率が0.839に達した。
• 再代入誤差解析により、極端な不均衡下でも大多数のクラスで誤差率が0.25未満に抑えられ、モデルの一般化性能が妥当に保たれていることが判明した。
• 不均衡な設定下でも、数字0, 1, 4, 5, 6, 7, 8, 9のマイノリティクラスの検出に強く、再現率が0.95以上を記録した。