[논문 리뷰] Quantum algorithms for hedging and the Sparsitron

Yassine Hamoudi, Maharshi Ray외 4명|arXiv (Cornell University)|2020. 02. 14.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

이 논문은 히지 알고리즘을 사용한 온라인 학습을 위한 양자 알고리즘을 제안하며, 양자 샘플링을 통해 헤지 손실 추정과 능동적 베팅에서 다항 수준의 가속을 달성한다. 희소성 기반의 스파르시트론의 양자 버전을 도입하여 고전적 학습 보장을 유지하면서도 T 시간 단계와 N 개의 전략에 대해 O(poly(T)√N)의 런타임 향상을 제공한다.

ABSTRACT

A paradigmatic algorithm for online learning is the Freund/Schapire Hedge algorithm with multiplicative weight updates. For multiple time steps, the algorithm constructs an allocation into different strategies or experts for which it is guaranteed that a certain regret is never much greater than the minimally achievable, even in an adversarial situation. This work presents quantum algorithms for such online learning in an oracular setting. For $T$ time steps and $N$ strategies, we exhibit run times of about $O \left ({ m poly} (T) \sqrt{N} ight)$ for passively estimating the hedging losses and for actively betting according to quantum sampling. In addition, we discuss a quantum analogue of a machine learning algorithm, the Sparsitron, which is based on the Hedge algorithm. The quantum algorithm inherits the provable learning guarantees from the classical algorithm and exhibits polynomial speedups. The speedups shown here may find relevance in both finance, for example for estimating hedging losses, and machine learning, for example for learning a generalized linear model or an Ising model.

연구 동기 및 목표

• 오ракูล 환경에서 히지 알고리즘의 곱셈 가중치 업데이트를 포함한 온라인 학습을 위한 양자 알고리즘을 개발하는 것.
• 양자 샘플링 기법을 사용하여 헤지 손실 추정 및 능동적 베팅에서 증명 가능한 가속을 달성하는 것.
• 고전적 스파르시트론 알고리즘을 양자 버전으로 확장하면서도 학습 보장을 유지하는 것.
• 헤지 손실 추정에 대한 금융 분야 및 일반 선형 모델과 이징 모델에 대한 기계학습 분야에서의 응용을 탐색하는 것.

제안 방법

• 논문은 양자 오라클을 사용하여 히지 알고리즘의 곱셈 가중치 업데이트를 시뮬레이션하는 양자 알고리즘을 설계한다.
• 양자 확률 추정을 활용하여 헤지 손실을 수동적으로 추정함으로써 런타임 스케일링을 향상시킨다.
• 능동적 베팅을 위해 알고리즘은 추정된 손실을 기반으로 효율적으로 전략을 선택하기 위해 양자 샘플링을 사용한다.
• 양자 스파르시트론은 고전적 스파르시트론의 업데이트 규칙을 양자 오라클 프레임워크에 적응시켜 구성한다.
• 런타임 분석 결과, T는 시간 단계 수, N은 전략 수이므로 O(poly(T)√N)에 의존함을 확인하였다.
• 양자 확률 추정 및 샘플링의 가속을 활용하여 고전적 대안보다 뛰어난 성능을 달성한다.

실험 결과

연구 질문

• RQ1 양자 알고리즘이 헤지 손실 추정과 같은 온라인 학습 과제에서 다항 수준의 가속을 달성할 수 있는가?
• RQ2 고전적 히지 알고리즘은 증명 가능한 보장을 갖는 양자 오라클 프레임워크로 어떻게 변환될 수 있는가?
• RQ3 온라인 학습에서 양자 샘플링을 사용한 능동적 베팅의 양자 런타임 복잡도는 무엇인가?
• RQ4 스파르시트론 알고리즘은 학습 보장을 유지하면서 양자 버전으로 일반화될 수 있는가?
• RQ5 이러한 양자 알고리즘은 금융 및 기계학습 응용 분야에서 실질적인 영향을 미칠 수 있는가?

주요 결과

• 양자 알고리즘은 헤지 손실을 수동적으로 추정하는 데 O(poly(T)√N)의 런타임을 달성하여 고전적 방법보다 다항 수준의 가속을 제공한다.
• 양자 샘플링을 통한 능동적 베팅 역시 O(poly(T)√N)의 런타임을 달성하여 고전적 온라인 학습 알고리즘보다 뚜렷이 향상된다.
• 제안된 양자 스파르시트론은 고전적 스파르시트론의 증명 가능한 학습 보장을 그대로 이어받으면서도 동일한 양자 가속 효과를 얻는다.
• 제안된 알고리즘은 정확한 손실 추정이 필수적인 금융 헤지에 적용 가능하다.
• 이 프레임워크는 일반 선형 모델과 이징 모델 학습에도 확장 가능하여 기계학습 분야에서 광범위한 관련성을 보인다.
• 결과적으로, 양자 오라클 알고리즘이 이론적 성능 보장을 갖는 채로 온라인 학습 문제를 효율적으로 해결할 수 있음을 입증한다.