[論文レビュー] Quantum Recommendation Systems

Iordanis Kerenidis, Anupam Prakash|arXiv (Cornell University)|Mar 29, 2016

Quantum Computing Algorithms and Architecture参考文献 14被引用数 83

ひとこと要約

本稿では、推奨行列の低ランク近似からサンプリングすることで、再構築を避けることにより、行列次元に対して多項式対数時間の実行時間を持つ量子推薦システムを提示する。主な貢献は、高品質な推薦を高確率で提供する、$ O(\text{poly}(k)\text{polylog}(mn)) $ の期待実行時間を持つ量子アルゴリズムであり、実世界の機械学習応用における量子優位性を示している。

ABSTRACT

A recommendation system uses the past purchases or ratings of $n$ products by a group of $m$ users, in order to provide personalized recommendations to individual users. The information is modeled as an $m imes n$ preference matrix which is assumed to have a good rank-$k$ approximation, for a small constant $k$. In this work, we present a quantum algorithm for recommendation systems that has running time $O( ext{poly}(k) ext{polylog}(mn))$. All known classical algorithms for recommendation systems that work through reconstructing an approximation of the preference matrix run in time polynomial in the matrix dimension. Our algorithm provides good recommendations by sampling efficiently from an approximation of the preference matrix, without reconstructing the entire matrix. For this, we design an efficient quantum procedure to project a given vector onto the row space of a given matrix. This is the first algorithm for recommendation systems that runs in time polylogarithmic in the dimensions of the matrix and provides an example of a quantum machine learning algorithm for a real world application.

研究の動機と目的

• 行列次元に対して多項式対数時間で動作する量子アルゴリズムを、推薦システムに開発し、古典的手法の多項式時間のボトル neck を克服すること。
• 完全な再構築を伴わずに、推奨行列の低ランク近似からサンプリングすることで、効率的な推薦を可能にすること。
• 明示的な性能保証を持つ実用的な量子機械学習アルゴリズムを、実世界の応用に適用すること。
• ユーザーのタイプと共有の価値特性に基づいて、ユーザー推奨行列の低ランク仮定を形式化し、正当化すること。
• 行列の行空間へのベクトルの量子プロジェクションを効率的に行う量子手順を設計し、推薦エンジンのコアを形成すること。

提案手法

• アルゴリズムは、完全な行列再構築を避けるために、量子アモニチュードアンプリフィケーションとアモニチュード推定を用いて、推奨行列の行空間からサンプリングする。
• 量子特異値変換（SVT）を用いて、推奨行列の上位 $ k $ 個の特異ベクトルを表す量子状態を構築する。
• ユーザーの推奨ベクトルを行列の行空間にプロジェクションする量子プロシージャーを設計し、高価値の製品の効率的サンプリングを可能にする。
• この手法は、切り捨て特異値分解近似 $ \widehat{T}_{\geq\sigma,\kappa} $ に依存しており、ここで $ \sigma $ は特異値のしきい値、$ \kappa $ は近似誤差を制御するパラメータである。
• Frobeniusノルム誤差 $ \|T - \widehat{T}_{\geq\sigma,\kappa}\|_F \leq 9\epsilon\|T\|_F $ を満たすようにパラメータを設定することで、高確率での正しさを保証する。
• 適切なパラメータ設定のもとで、少なくとも $ (1-\xi)(1-\delta-\zeta)m $ 名のユーザーに対して、実行時間は $ O(\text{poly}(k)\text{polylog}(mn)) $ で抑えられる。

実験結果

リサーチクエスチョン

• RQ1 ユーザー推奨行列の低ランク構造を踏まえると、推薦システムにおいて量子アルゴリズムが行列次元に対して多項式対数時間で動作可能か？
• RQ2 低ランク近似からの量子サンプリングは、時間計算量の観点で、どのように古典的手法の行列再構築を上回るか？
• RQ3 行空間への量子プロジェクションが、効率的な推薦サンプリングを可能にする役割は何か？
• RQ4 どのような条件下で、量子推薦アルゴリズムが高確率で高い正確性を維持するか？
• RQ5 ノイズや部分的データに対して、量子アルゴリズムは多項式対数時間の実行時間のまま耐性を保てるか？

主な発見

• 量子推薦アルゴリズムは、期待実行時間を $ O(\text{poly}(k)\text{polylog}(mn)) $ に達成し、古典的手法に比べて顕著な高速化を実現している。
• 少なくとも $ (1-\xi)(1-\delta-\zeta)m $ 名のユーザーに対して、推薦品質の誤差が制限されていることから、高確率で優れた推薦が得られる。
• 真の推奨行列 $ T $ とその近似 $ \widehat{T}_{\geq\sigma,\kappa} $ のFrobeniusノルム誤差は、高確率で $ 9\epsilon\|T\|_F $ 以下に抑えられる。
• 量子プロジェクションプロシージャーは、確率 $ 1 - 1/\text{poly}(n) $ 以上で、行列の射影された行に比例する状態を出力する。
• サンプリング率 $ p $ が定数であり、行列のスペクトル特性が良好であれば、大多数のユーザーに対して期待実行時間が行列サイズに依存しない定数に保たれる。
• サブ定数のサンプリングレートであっても、アルゴリズムの正しさは維持されるが、最適な実行時間のためには定数の $ p $ が必要である。