[論文レビュー] Quantum Nearest-Neighbor Algorithms for Machine Learning

Nathan Wiebe, Ashish Kapoor+1 more|arXiv (Cornell University)|Jan 9, 2014

Quantum Computing Algorithms and Architecture被引用数 53

ひとこと要約

この論文は、内積やユークリッド距離などの距離測度の計算における量子スピードアップを活用する量子最近傍法アルゴリズムを提案する。クエリ複雑性を低減することで、古典的手法と比較して多項式、指数的、あるいはさらには超指数的改善を達成し、実世界の二値分類タスクにおいて古典的手法と競合する分類精度を実現する。

ABSTRACT

We present several quantum algorithms for performing nearest-neighbor learning. At the core of our algorithms are fast and coherent quantum methods for computing distance metrics such as the inner product and Euclidean distance. We prove upper bounds on the number of queries to the input data required to compute these metrics. In the worst case, our quantum algorithms lead to polynomial reductions in query complexity relative to the corresponding classical algorithm. In certain cases, we show exponential or even super-exponential reductions over the classical analog. We study the performance of our quantum nearest-neighbor algorithms on several real-world binary classification tasks and find that the classification accuracy is competitive with classical methods.

研究の動機と目的

• 最近傍学習の計算を効率的に行う距離測度の計算を高速化する量子アルゴリズムの開発。
• 量子的に主要な距離測度を計算するために必要なクエリ数の理論的上界を確立すること。
• 量子スピードアップが実世界の二値分類データセットにおける実用的性能向上にどのように寄与するかを評価すること。
• 量子最近傍法の分類精度を古典的手法と比較すること。

提案手法

• アルゴリズムは、スーパポジション状態におけるデータポイント間の内積とユークリッド距離を、コherentな量子プロシージャーで計算する。
• クエリ複雑性を低減するために、アームプリチュード推定と量子状態準備を用いて距離測度を評価する。
• 入力データがオракルを介して量子状態に符号化されているものと仮定し、量子データアクセスを活用する。
• 量子線形代数技術を用いて距離計算を最適化し、入力データへのクエリ回数を最小限に抑える。
• 量子最近傍分類器は、これらの高速な距離評価を用いて、最も近い学習データポイントに基づいてラベルを割り当てる。
• 距離評価と分類の過程でコherentlyを維持し、デコherenceを最小限に抑えるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 量子アルゴリズムは、最近傍学習に用いられる距離測度の計算において、クエリ複雑性を顕著に低減できるか？
• RQ2 内積およびユークリッド距離の計算における量子クエリ複雑性の理論的上界は何か？
• RQ3 量子最近傍法アルゴリズムは、実世界のデータセットにおいて古典的手法と同等の分類精度を達成できるか？
• RQ4 最近傍学習において、量子アルゴリズムが古典的手法に対して指数的または超指数的スピードアップを提供する条件は何か？

主な発見

• 量子アルゴリズムは、古典的手法と比較して、距離測度の計算において多項式的クエリ複雑性の低減を達成する。
• 特定の状況では、量子アプローチが古典アルゴリズムと比較して指数的、あるいはさらには超指数的クエリ複雑性の低減を実現する。
• 実世界の二値分類タスクにおいて、量子最近傍法の分類精度は古典的手法と競合する。
• 理論的分析により、量子モデルにおける距離計算に必要なクエリ数の明示的上界が確立された。
• データ次元数やデータセットサイズが増加する際、性能向上が顕著に現れ、量子スピードアップが有利に働く。
• 結果から、量子最近傍学習は、量子優位性を活かした機械学習ワークロードの高速化に実現可能な道筋であると考えられる。