[論文レビュー] Quantum Divide-and-Conquer Anchoring for Separable Non-negative Matrix Factorization

Yuxuan Du, Tongliang Liu+3 more|arXiv (Cornell University)|Feb 20, 2018

Quantum Computing Algorithms and Architecture参考文献 17被引用数 4

ひとこと要約

本稿では、分離可能な非負値行列分解（SNMF）のための量子アルゴリズムである量子分割統治アンカリング（QDCA）を提案する。QDCAは、ランダムプロジェクションに量子線形代数を活用し、アンカーリンクを効率的に抽出するためのヒューリスティックな事後選別法を用いることで、指数的高速化を達成する。妥当な仮定の下で、QDCAはO(poly log(n+m))時間で実行され、SNMFにおける量子計算と古典的計算の初めての滑らかな統合であり、証明可能な量子優位性を示す。

ABSTRACT

It is NP-complete to find non-negative factors $W$ and $H$ with fixed rank $r$ from a non-negative matrix $X$ by minimizing $\|X-WH^ op\|_F^2$. Although the separability assumption (all data points are in the conical hull of the extreme rows) enables polynomial-time algorithms, the computational cost is not affordable for big data. This paper investigates how the power of quantum computation can be capitalized to solve the non-negative matrix factorization with the separability assumption (SNMF) by devising a quantum algorithm based on the divide-and-conquer anchoring (DCA) scheme. The design of quantum DCA (QDCA) is challenging. In the divide step, the random projections in DCA is completed by a quantum algorithm for linear operations, which achieves the exponential speedup. We then devise a heuristic post-selection procedure which extracts the information of anchors stored in the quantum states efficiently. Under a plausible assumption, QDCA performs efficiently, achieves the quantum speedup, and is beneficial for high dimensional problems.

研究の動機と目的

• 大規模データにおける非負値行列分解（NMF）の計算不能性に対処するため、量子の利点を活用すること。
• 分離可能性仮定の下で、分離可能なNMF（SNMF）を効率的に解く量子アルゴリズムを設計することにより、量子高速化を伴う多項式時間の解法を可能にすること。
• 量子機械学習における測定ボトルネックを克服するため、完全な状態トモグラフィーを回避してアンカーリンクを抽出するためのヒューリスティックな事後選別手順を導入すること。
• 量子計算と古典的計算を滑らかに統合することで、機械学習におけるハイブリッド量子古典アルゴリズムの一般枠組みを確立すること。

提案手法

• QDCAは、分割統治アンカリング（DCA）フレームワークを採用しており、分割段階では量子アルゴリズムを用いて量子線形操作によるランダムプロジェクションを実行し、指数的高速化を達成する。
• ランダムプロジェクションから得られる量子状態は、振幅にアンカーリンクを符号化しており、最大の振幅に対応するものが潜在的なアンカーである。
• ヒューリスティックな事後選別法を適用する：O(poly log(n+m))回の測定を計算基底で実行し、インデックスをサンプリングし、最も頻繁に出現するインデックスをアンカーとして選択する。
• 統合段階では、s個の部分問題から上位r個のアンカーを特定するために古典的ソーティングを用いる。s = O(r log r)とすることで、正しいアンカー回復の高確率を保証する。
• 最大の振幅が真のアンカーに対応する確率が非常に高いという仮定を置き、集中不等式と実験的検証によって裏付けられる。
• 最終的な因子分解は、選択されたアンカーリンクを用いて古典的に計算され、全体の実行時間複雑度はO(poly log(n+m))に達する。

実験結果

リサーチクエスチョン

• RQ1 量子計算を活用して、分離可能な非負値行列分解（SNMF）の解法において指数的高速化を達成できるか？
• RQ2 完全な状態トモグラフィーを回避して、高次元データからアンカーリンクを効率的に抽出する量子アルゴリズムはどのように設計できるか？
• RQ3 ハイブリッド量子古典的手法は、量子機械学習における測定ボトルネックを克服しつつ、量子優位性を維持できるか？
• RQ4 量子操作と古典的後処理を統合することで、大規模なSNMF問題を効率的に解く量子アルゴリズムを設計することは可能か？

主な発見

• 妥当な仮定の下で、QDCAはO(poly log(n+m))の実行時間複雑度を達成し、古典的DCAに比べて指数的高速化を実現する。
• ヒューリスティックな事後選別法は、O(poly log(n+m))回の測定のみでアンカーリンクを高確率で特定でき、完全な状態読み出しを回避する。
• 実験的結果により、O(poly log(n+m))回のサンプルで、投影された量子状態における最大振幅を持つインデックスを高確率で特定できることが確認された。
• アルゴリズムは、分割段階における量子線形代数操作により指数的高速化を達成し、統合段階における古典的ソーティングにより低オーバーヘッドを維持する。
• QDCAは、SNMFにおける量子計算と古典的計算の初めての滑らかな統合を実現し、機械学習における量子優位性の一般戦略を確立する。
• 実験により、ノイズや非理想状態に対してもロバストであることが示された。合成データを用いた実験により、先行研究と同一の仮定下で同等の結果が得られた。