[論文レビュー] Quantum Generalized Linear Models

Colleen Farrelly, Srikanth Namuduri+1 more|arXiv (Cornell University)|Jan 1, 2018

Statistical Methods and Bayesian Inference参考文献 25被引用数 1

ひとこと要約

本稿では、非ガウス型の量子ゲートを用いて結果の分布を連続的に変形することで、従来のリンク関数の必要性を排除する量子コンピューティングを活用した拡張型一般化線形モデル（QGLM）を提案する。この手法は、UCI Forest Fireデータセット（過分散が著しい Tweedie 回帰）において、平均二乗誤差で約10%の優位性を示し、最先端の性能を達成した。

ABSTRACT

Generalized linear models (GLM) are link function based statistical models. Many supervised learning algorithms are extensions of GLMs and have link functions built into the algorithm to model different outcome distributions. There are two major drawbacks when using this approach in applications using real world datasets. One is that none of the link functions available in the popular packages is a good fit for the data. Second, it is computationally inefficient and impractical to test all the possible distributions to find the optimum one. In addition, many GLMs and their machine learning extensions struggle on problems of overdispersion in Tweedie distributions. In this paper we propose a quantum extension to GLM that overcomes these drawbacks. A quantum gate with non-Gaussian transformation can be used to continuously deform the outcome distribution from known results. In doing so, we eliminate the need for a link function. Further, by using an algorithm that superposes all possible distributions to collapse to fit a dataset, we optimize the model in a computationally efficient way. We provide an initial proof-of-concept by testing this approach on both a simulation of overdispersed data and then on a benchmark dataset, which is quite overdispersed, and achieved state of the art results. This is a game changer in several applied fields, such as part failure modeling, medical research, actuarial science, finance and many other fields where Tweedie regression and overdispersion are ubiquitous.

研究の動機と目的

• 従来の一般化線形モデル（GLM）および機械学習の拡張手法が過分散およびゼロ過剰なデータを扱う際の限界を克服すること。
• GLMモデル選択においてすべての可能な分布を検証する計算の非効率性を解消すること。
• 量子ゲートによる結果分布の連続的変形を可能にすることで、事前に定義されたリンク関数への依存を排除すること。
• 実世界の複雑なデータセットにおいて、量子コンピューティングを活用した統計的モデリングの実現可能性と優位性を示すこと。
• 量子コンピューティングと一般化線形モデルおよび関連統計フレームワークを統合する基盤を構築すること。

提案手法

• XanaduのStrawberry Fieldsおよびqumode量子コンピューティングフレームワークを用いて、GLMのパラメータ推定のための量子回路をシミュレートする。
• 係数行列 β = O₁ΣO₂ の特異値分解（SVD）を用いて、GLMパラメータを量子ゲート操作にマッピングする。
• 線形干渉計（U₁, U₂）、スケーリングゲート（S）、非ガウス型ゲート（Φ）の順序を適用し、逆リンク関数をモデル化する。
• GLMの予測を |g⁻¹(Xβ)⟩ ≈ Φ·U₂·S·U₁|X⟩ として表現し、連続的な量子状態空間にモデルを埋め込む。
• 学習率 0.1 で 80 イテレーションにわたり勾配降下法を適用し、qumodeの切断次元を 10 に設定してモデルを最適化する。
• 同じデータセットに対して各アルゴリズムを 10 回実行し、確率的量子ノイズの影響を平均化することで信頼性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 量子コンピューティングを用いることで、一般化線形モデルにおける固定されたリンク関数の必要性を排除し、分布の連続的変形を可能にすることができるか？
• RQ2 量子強化型GLMは、古典的手法の最先端アルゴリズムと比較して、過分散およびゼロ過剰なデータセットでどのように性能を発揮するか？
• RQ3 全可能な分布のパラメータ最適化を体系的探索なしに、量子回路が効率的に実行できるか？
• RQ4 内在的な量子ノイズおよび確率的測定の影響にもかかわらず、量子GLMフレームワークは頑健性と正確性を維持できるか？
• RQ5 この手法は、一般化推定方程式や混合モデルなどの他の統計モデルへも拡張可能か？

主な発見

• UCI Forest Fireデータセットにおいて、QGLMはスケーリング済みモデルのMSEが 0.106 を達成し、次に優れたアルゴリズム（DGLARS）の 0.114 より約10%優れていた。
• 過分散を模擬したデータセットにおいて、QGLMはスケーリング済みMSEが 0.82 を達成し、ブーストド回帰やDGLARSといった最先端のアルゴリズムと同等の性能を示した。
• 量子ノイズの影響にもかかわらず、10回の実行を平均化することで確率的フラクチュエーションの影響を軽減し、モデルの頑健性を示した。
• 非ガウス型量子ゲートを用いて逆リンク関数を直接モデル化することで、事前に定義されたリンク関数への依存を完全に排除した。
• 指数型分布族の幾何的構造を活用し、それを量子ゲート操作にマッピングすることで、効率的な分布最適化を可能にした。
• 結果から、QGLMは階層モデル、混合モデル、動的システムにおけるホモトピー継続法への応用への強い可能性を示唆している。