[논문 리뷰] Image Classification Based on Quantum KNN Algorithm

Yijie Dang, Nan Jiang외 3명|arXiv (Cornell University)|2018. 05. 16.

Quantum Computing Algorithms and Architecture참고 문헌 31인용 수 6

한 줄 요약

이 논문은 이미지 분류를 위한 양자 강화 K-최근접 이웃(KNN) 알고리즘을 제안하며, 양자 중첩을 활용해 유사도 계산을 병렬화하고, 양자 최소값 탐색을 통해 k-최근접 이웃 식별을 가속화한다. 이 방법은 $O(\sqrt{kM})$의 복잡도를 달성하여 기존 KNN에 비해 런타임을 크게 감소시키면서도 높은 정확도를 유지한다—Graz-01에서 83.1%, Caltech-101에서 78%로, 단일 측정 단계를 통해 효율적이고 확장 가능한 분류를 실현한다.

ABSTRACT

Image classification is an important task in the field of machine learning and image processing. However, the usually used classification method --- the K Nearest-Neighbor algorithm has high complexity, because its two main processes: similarity computing and searching are time-consuming. Especially in the era of big data, the problem is prominent when the amount of images to be classified is large. In this paper, we try to use the powerful parallel computing ability of quantum computers to optimize the efficiency of image classification. The scheme is based on quantum K Nearest-Neighbor algorithm. Firstly, the feature vectors of images are extracted on classical computers. Then the feature vectors are inputted into a quantum superposition state, which is used to achieve parallel computing of similarity. Next, the quantum minimum search algorithm is used to speed up searching process for similarity. Finally, the image is classified by quantum measurement. The complexity of the quantum algorithm is only O((kM)^(1/2)), which is superior to the classical algorithms. Moreover, the measurement step is executed only once to ensure the validity of the scheme. The experimental results show that, the classification accuracy is 83.1% on Graz-01 dataset and 78% on Caltech-101 dataset, which is close to existing classical algorithms. Hence, our quantum scheme has a good classification performance while greatly improving the efficiency.

연구 동기 및 목표

• 대규모 데이터 워크로드에서 기존 KNN의 높은 계산 복잡도 문제를 해결하기 위해.
• 양자 컴퓨팅의 병렬성 특성을 활용해 유사도 계산과 k-최근접 이웃 탐색을 최적화하기 위해.
• 시간 복잡도를 극적으로 감소시키면서도 높은 정확도를 유지하는 양자 이미지 분류 프레임워크를 설계하기 위해.
• Graz-01 및 Caltech-101과 같은 실제 자연 이미지 데이터셋에서 양자 KNN의 실현 가능성과 성능을 입증하기 위해.
• 측정 단계를 최소화하고 체계의 타당성을 확보함으로써 이미지 분류 분야에서의 양자 우월성을 확립하기 위해.

제안 방법

• 기존 파ip라인과의 호환성을 유지하기 위해, 이미지에서 고전적 계산을 통해 특징 벡터를 추출한다.
• 추출된 고전적 특징 벡터를 양자 중첩 상태로 인코딩하여 모든 훈련 샘플에 대한 유사도 평가를 병렬로 수행할 수 있도록 한다.
• Dürr의 알고리즘을 통한 양자 확률 진폭 강화를 적용해 k개의 최소 거리를 효율적으로 식별함으로써 검색 복잡도를 $O(\\sqrt{kM})$로 감소시킨다.
• 반복적으로 최소 거리의 확률 진폭을 강화함으로써 양자 최소값 탐색 알고리즘을 사용해 k개의 가장 가까운 이웃을 식별한다.
• 상태를 붕괴시키기 위해 단일 양자 측정을 수행하여 k개의 가장 가까운 훈련 이미지의 인덱스를 추출한다.
• k개의 가장 가까운 이웃에 대한 다수결 투표를 통해 분류를 결정하며, 결과를 예측된 클래스로 출력한다.

실험 결과

연구 질문

• RQ1 기존 방법에 비해 양자 컴퓨팅이 KNN 기반 이미지 분류의 시간 복잡도를 크게 감소시킬 수 있는가?
• RQ2 Graz-01 및 Caltech-101과 같은 실제 자연 이미지 데이터셋에서 제안된 양자 KNN 알고리즘이 분류 정확도 측면에서 어떻게 성능을 내는가?
• RQ3 낮은 훈련 데이터량 조건에서도 이 양자 체계가 낮은 계산 오버헤드를 바탕으로 높은 정확도를 유지할 수 있는가?
• RQ4 단일 양자 측정 단계가 분류 결과의 타당성과 신뢰성에 미치는 영향은 무엇인가?
• RQ5 유사도 계산과 이웃 탐색을 가속화하기 위해 양자 병렬성과 확률 진폭 강화를 얼마나 효과적으로 활용할 수 있는가?

주요 결과

• 양자 KNN 알고리즘은 $O(\\sqrt{kM})$의 시간 복잡도를 달성하여, 기존의 $O(M)$ 및 $O(M\\log k)$ 복잡도에 비해 상당한 향상을 이룬다.
• Graz-01 데이터셋에서 $k=5$이고 훈련 비율이 90%일 경우 정점 정확도가 83.1%에 도달한다.
• Caltech-101 데이터셋에서는 $k=3$이고 훈련 비율이 90%일 때 78%의 정확도를 기록하여 다중 클래스 자연 이미지에 대해 뛰어난 성능을 보였다.
• 훈련 데이터가 감소한 상황에서도 정확도가 70% 이상을 유지하여 데이터 부족에 대한 강건성을 보였다.
• 최신 기술 기반의 고전적 KNN 방법과 유사한 정확도를 기록하여, 양자 구현임에도 불구하고 체계의 효과성을 검증하였다.
• 단일 측정 단계의 사용은 양자 분류 과정의 타당성과 일관성을 보장하여 측정에 의한 상태 붕괴 문제를 피했다.