[논문 리뷰] Quantum Divide-and-Conquer Anchoring for Separable Non-negative Matrix Factorization

Yuxuan Du, Tongliang Liu외 3명|arXiv (Cornell University)|2018. 02. 20.

Quantum Computing Algorithms and Architecture참고 문헌 17인용 수 4

한 줄 요약

이 논문은 분리 가능한 비음수 행렬 분해(SNMF)를 위한 양자 알고리즘인 양자 분할 정복 잠금(QDCA)을 제안한다. 이 알고리즘은 랜덤 프로젝션을 위해 양자 선형 대수를 활용하고, 잠금 인덱스를 효율적으로 추출하기 위해 히우리스틱 후선택 방법을 사용함으로써 지수적 속도 향상을 달성한다. 타당한 가정 하에 QDCA는 O(poly log(n+m)) 시간 내에 실행되며, 증명 가능하고 양자적 우월성을 확보한 SNMF에 대해 양자와 고전 계산을 원활하게 통합한 최초의 사례이다.

ABSTRACT

It is NP-complete to find non-negative factors $W$ and $H$ with fixed rank $r$ from a non-negative matrix $X$ by minimizing $\|X-WH^ op\|_F^2$. Although the separability assumption (all data points are in the conical hull of the extreme rows) enables polynomial-time algorithms, the computational cost is not affordable for big data. This paper investigates how the power of quantum computation can be capitalized to solve the non-negative matrix factorization with the separability assumption (SNMF) by devising a quantum algorithm based on the divide-and-conquer anchoring (DCA) scheme. The design of quantum DCA (QDCA) is challenging. In the divide step, the random projections in DCA is completed by a quantum algorithm for linear operations, which achieves the exponential speedup. We then devise a heuristic post-selection procedure which extracts the information of anchors stored in the quantum states efficiently. Under a plausible assumption, QDCA performs efficiently, achieves the quantum speedup, and is beneficial for high dimensional problems.

연구 동기 및 목표

• 빅데이터에 대한 비음수 행렬 분해(NMF)의 계산 비가역성을 해결하기 위해 양자적 우위를 활용한다.
• 분리 가능성 가정 하에 효율적인 양자 알고리즘을 설계하여, 양자 속도 향상과 함께 다항식 시간 내에 SNMF 문제를 해결한다.
• 양자 기계 학습에서 측정의 한계를 극복하기 위해, 전체 상태 복원 없이도 잠금 인덱스를 추출할 수 있는 히우리스틱 후선택 절차를 도입한다.
• 양자와 고전 계산을 원활하게 통합함으로써, 기계 학습 분야에서 하이브리드 양자-고전 알고리즘을 위한 일반적인 프레임워크를 수립한다.

제안 방법

• QDCA는 분할 정복 잠금(DCA) 프레임워크를 활용하며, 분할 단계에서는 양자 알고리즘을 사용해 양자 선형 연산을 통해 랜덤 프로젝션을 수행함으로써 지수적 속도 향상을 달성한다.
• 랜덤 프로젝션 결과로 생성된 양자 상태는 진폭에 잠금 인덱스를 포함하며, 가장 큰 진폭을 가진 요소들이 잠금 후보로 나타난다.
• 히우리스틱 후선택 방법을 적용한다: O(poly log(n+m))회의 측정을 계산 기저에서 수행하여 인덱스를 샘플링하고, 가장 자주 나타나는 인덱스를 잠금으로서 선택한다.
• 정복 단계에서는 고전적 정렬을 사용하여 s개의 부분 문제에서 상위 r개의 잠금을 식별하며, s = O(r log r)이므로 높은 확률로 정확한 잠금 복원이 보장된다.
• 알고리즘은 가장 큰 진폭이 높은 확률로 진짜 잠금임을 가정하며, 이는 농도 부등식과 실험적 검증을 통해 정당화된다.
• 최종 분해는 선택된 잠금 행을 기반으로 고전적으로 계산되며, 전체 과정은 O(poly log(n+m))의 런타임 복잡도를 달성한다.

실험 결과

연구 질문

• RQ1 양자 계산을 활용하여 분리 가능한 비음수 행렬 분해(SNMF) 문제를 해결하는 데 있어 지수적 속도 향상을 달성할 수 있는가?
• RQ2 전체 상태 토모그래피 없이도 고차원 데이터에서 양자 알고리즘이 잠금 인덱스를 효율적으로 추출할 수 있는가?
• RQ3 하이브리드 양자-고전 접근 방식은 양자 기계 학습에서 측정의 한계를 극복하면서도 양자 우월성을 유지할 수 있는가?
• RQ4 양자 연산과 고전적 후처리를 통합하여 대규모 SNMF 문제를 효율적으로 해결할 수 있는 양자 알고리즘을 설계할 수 있는가?

주요 결과

• 타당한 가정 하에 QDCA는 O(poly log(n+m))의 런타임 복잡도를 달성하며, 고전적 DCA에 비해 지수적 속도 향상을 보인다.
• 히우리스틱 후선택 방법은 전체 상태 복원 없이도 O(poly log(n+m))회의 측정만으로도 높은 확률로 잠금 인덱스를 성공적으로 식별한다.
• 실험 결과는 O(poly log(n+m))회의 샘플링으로도 투영된 양자 상태에서 가장 큰 진폭을 가진 인덱스를 높은 확률로 식별할 수 있음을 확인한다.
• 알고리즘은 분할 단계에서 양자 선형 대수 연산을 통해 지수적 속도 향상을 달성하고, 정복 단계에서 고전적 정렬을 통해 낮은 오버헤드를 유지함을 보여준다.
• QDCA는 SNMF에 대해 양자와 고전 계산을 원활하게 통합한 최초의 알고리즘으로, 기계 학습에서의 양자 우월성을 위한 일반 전략을 수립한다.
• 합성 데이터에 대한 실험 결과는, 이전 연구와 동일한 가정 하에 노이즈 및 비이deal 조건에 대해서도 알고리즘이 강건함을 보여준다.