[論文レビュー] Quantum Perceptron Models

Nathan Wiebe, Ashish Kapoor+1 more|arXiv (Cornell University)|Feb 15, 2016

Neural Networks and Applications参考文献 23被引用数 37

ひとこと要約

この論文は、パーセプトロン学習の計算的・統計的効率を顕著に向上させる2つの量子アルゴリズムを提案する。最初のアルゴリズムは、量子アモニチュード増幅を用いて、データポイント数 $N$ に対して $O(\sqrt{N})$ ステップで分離超平面を特定する。これは $N$ に対して非線形的である。2番目のアルゴリズムは、バージョン空間フレームワークにおける量子アモニチュード推定を活用し、古典的誤り境界の $O(1/\gamma^2)$ を $O(1/\sqrt{\gamma})$ に改善することで、計算複雑性および一般化誤差スケーリングの両方で2乗の高速化を達成する。

ABSTRACT

We demonstrate how quantum computation can provide non-trivial improvements in the computational and statistical complexity of the perceptron model. We develop two quantum algorithms for perceptron learning. The first algorithm exploits quantum information processing to determine a separating hyperplane using a number of steps sublinear in the number of data points $N$, namely $O(\sqrt{N})$. The second algorithm illustrates how the classical mistake bound of $O(\frac{1}{γ^2})$ can be further improved to $O(\frac{1}{\sqrtγ})$ through quantum means, where $γ$ denotes the margin. Such improvements are achieved through the application of quantum amplitude amplification to the version space interpretation of the perceptron model.

研究の動機と目的

• 古典的パーセプトロントレーニングを上回る計算的・統計的効率を持つ量子アルゴリズムの開発。
• 量子計算が、古典的サブルーチンを超えてパーセプトロントレーニングのスケーリングを改善できるかどうかの探求。
• 量子速度化が、計算のみならず、新しいバージョン空間解釈を通じて一般化性能の向上にも可能であることを示すこと。
• 古典的境界と比較して、データポイント依存性（$O(\sqrt{N})$）およびマージン依存性（$O(1/\sqrt{\gamma})$）の両方で2乗の改善を達成すること。

提案手法

• 最初のアルゴリズムは、Groverの探索とアモニチュード増幅を用い、$O(\sqrt{N})$ クエリで誤分類されたデータポイントを特定し、トレーニング複雑性を $O(N)$ から低減する。
• 2番目のアルゴリズムは、バージョン空間に量子アモニチュード推定を適用し、超平面を状態として表現し、データ制約が可能な領域を定義する。
• バージョン空間の構造を活用して、誤差が小さい超平面を特定する確率を増幅し、一般化性能を向上させる。
• 反復的Groverに類似した増幅と指数的探索ヒューリスティックを用い、誤りが存在する場合に $O(1/\sqrt{N})$ クエリ複雑性を達成する。
• 成功確率は $O(\sqrt{N} \log(1/\delta))$ クエリを用いて $1 - \epsilon\gamma^2$ に増幅され、ここで $\delta = \epsilon\gamma^2$ である。
• この手法は、誤分類されたベクトルをマークする量子オракル $F_w$ と、パーセプトロン更新のための古典的インデックスを抽出する制御ユニタリ $U^c$ を組み合わせる。

実験結果

リサーチクエスチョン

• RQ1 量子計算は、古典的 $O(N)$ の境界を超えて、パーセプトロンをトレーニングするために必要なデータポイント数を減少させることができるか？
• RQ2 量子アルゴリズムは、パーセプトロン学習の古典的誤り境界 $O(1/\gamma^2)$ を改善できるか？
• RQ3 パーセプトロンのバージョン空間解釈は、一般化性能における新たな量子速度化を可能にするか？
• RQ4 アモニチュード増幅は、量子環境下での分離超平面探索に効果的に適用可能か？

主な発見

• 最初の量子パーセプトロンアルゴリズムは、分離超平面を特定するためのクエリ複雑性が $O(\sqrt{N})$ であり、古典的 $O(N)$ に対して2乗の高速化を示す。
• 2番目のアルゴリズムは、誤り境界を $O(1/\gamma^2)$ から $O(1/\sqrt{\gamma})$ に改善し、マージン依存性において2乗の改善を達成する。
• バージョン空間用の量子アルゴリズムは、アモニチュード推定を用い、$O(\sqrt{N} \log(1/\epsilon\gamma^2))$ クエリで少なくとも $1 - \epsilon\gamma^2$ の成功確率を達成する。
• 1つの誤分類されたベクトルが存在する場合、指数的探索ヒューリスティックを用い、$O(1/\sqrt{N})$ クエリ後に少なくとも $1/4$ の確率で成功する。
• $k$ 回の繰り返しにおいて、マークされた状態を検出できない確率は $(3/4)^k$ 以下であり、所望の信頼度を得るには $k = \lceil \log_{3/4}(\delta) \rceil$ 回の反復が必要である。
• 誤りが存在しない場合に正しく識別し、分離超平面が既に見つかったと結論づけることができ、同じクエリ複雑性境界を保つ。