[논문 리뷰] Quantum K-nearest neighbor classification algorithm based on Hamming distance

Jing Li, Song Lin외 2명|arXiv (Cornell University)|2021. 03. 07.

Quantum Computing Algorithms and Architecture인용 수 5

한 줄 요약

이 논문은 히브닝 거리 기반의 양자 K-가까운 이웃(KNN) 분류 알고리즘을 제안하며, 양자 병렬 처리를 활용해 거리를 계산하고, K개의 최소 거리를 효율적으로 찾는 새로운 양자 하위 알고리즘을 도입한다. 이 방법은 고전적 KNN 대비 제곱근 속도 향상을 달성하며, 저차원 특징 공간에서 시간 복잡도가 O(√M log M)이다.

ABSTRACT

K-nearest neighbor classification algorithm is one of the most basic algorithms in machine learning, which determines the sample's category by the similarity between samples. In this paper, we propose a quantum K-nearest neighbor classification algorithm with Hamming distance. In this algorithm, quantum computation is firstly utilized to obtain Hamming distance in parallel. Then, a core sub-algorithm for searching the minimum of unordered integer sequence is presented to find out the minimum distance. Based on these two sub-algorithms, the whole quantum frame of K-nearest neighbor classification algorithm is presented. At last, it is shown that the proposed algorithm can achieve a quadratical speedup by analyzing its time complexity briefly.

연구 동기 및 목표

• 유럽 거리에 의존하고 다수의 매개변수 조정이 필요한 기존의 양자 KNN 알고리즘의 한계를 해결하기 위해.
• 비수치적, 이진 인코딩된 데이터를 위해 설계된, 히브닝 거리를 유사도 측정 기준으로 사용하는 양자 알고리즘 개발을 위해.
• 순서가 없는 정수 시퀀스에서 K개의 최소 거리를 효율적으로 찾는 데에 특화된 양자 하위 알고리즘 설계를 위해.
• 거리 계산과 카테고리 할당을 양자 연산을 통해 통합하는 완전한 양자 프레임워크를 구축하기 위해.
• 저차원 특징 공간에서의 시간 복잡도 분석을 통해 고전적 KNN 대비 뚜렷한 속도 향상을 입증하기 위해.

제안 방법

• 학습 샘플과 테스트 샘플을 인코딩한 초기 양자 상태를 준비하기 위해 양자 무작위 액세스 메모리(vQRAM)를 사용한다.
• 모든 학습 샘플을 동시에 계산할 수 있도록 CNOT 및 인크리먼터 게이트 기반의 양자 회로를 활용해 히브닝 거리를 병렬로 계산한다.
• 순서가 없는 정수 시퀀스에서 K개의 최소값을 찾는 데에 특화된 새로운 양자 알고리즘을 도입하며, 일반적인 양자 최소화 기법보다 정수 데이터에 더 효율적이다.
• 반복적으로 최소 거리를 찾는 데에 앰플리튜드 강화 및 앰플리튜드 추정 기법을 적용해 K개의 가장 가까운 이웃을 식별한다.
• 제어 오ракulum과 양자 측정을 사용해 K개의 가장 가까운 이웃 중에서 가장 빈도가 높은 클래스를 다수결 투표 방식으로 결정한다.
• 양자 상태 준비 및 측정을 통해 K개의 가장 가까운 이웃에서 카테고리의 빈도에 기반해 최종 클래스 레이블을 할당한다.

실험 결과

연구 질문

• RQ1 비수치적, 이진 인코딩된 데이터를 더 효과적으로 처리할 수 있도록 히브닝 거리를 기반으로 한 양자 KNN 알고리즘을 설계할 수 있는가?
• RQ2 일반적인 양자 최소화 기법보다 더 효율적인, 순서가 없는 정수 시퀀스에서 K개의 최소값을 찾는 데에 특화된 양자 하위 알고리즘을 개발할 수 있는가?
• RQ3 제안된 양자 KNN 프레임워크는 시간 복잡도 측면에서 고전적 KNN 대비 증명 가능한 속도 향상을 달성하는가?
• RQ4 양자 알고리즘의 시간 복잡도는 학습 샘플 수 M, 차원 수 N, 그리고 이웃 수 K에 대해 어떻게 스케일링되는가?
• RQ5 특히 고차원 데이터를 다룰 경우 알고리즘의 실용적 제약 사항은 무엇인가?

주요 결과

• 제안된 양자 KNN 알고리즘은 저차원 특징 공간에서 시간 복잡도 O(√M log M)를 달성하며, 고전적 O(M) 복잡도 대비 제곱근 속도 향상을 보인다.
• 양자 히브닝 거리 계산은 N개의 CNOT 게이트와 Nn²개의 인크리먼터 연산을 사용해 병렬로 수행되며, 런타임은 O(N + Nn²)이다.
• K개의 최소 거리를 찾는 핵심 하위 알고리즘은 O(Kn³ log N / √M) 시간에 작동하며, 정수 시퀀스에 대해 Dürr-Høyer 최소화 기법보다 더 효율적이다.
• 카테고리 할당 단계는 K개의 가장 가까운 이웃 중에서 가장 빈도가 높은 클래스를 고려 확률적으로 식별하기 위해 O(K log K)회의 측정이 필요하다.
• 전체 시간 복잡도는 K-최소값 탐색 단계에 의해 지배되며, K와 N이 M에 비해 작을 경우 제곱근 속도 향상이 유지된다.
• 고차원 특징 공간에서는 알고리즘이 제곱근 가속을 달성하지 못하므로, 향후 유사도 스케일링에 대한 주요 제약 사항으로 나타난다.