[논문 리뷰] Quantum Nearest-Neighbor Algorithms for Machine Learning

Nathan Wiebe, Ashish Kapoor외 1명|arXiv (Cornell University)|2014. 01. 09.

Quantum Computing Algorithms and Architecture인용 수 53

한 줄 요약

이 논문은 내적과 유클리드 거리와 같은 거리 측도를 계산하는 데 있어 양자 속도 향상을 활용하는 양자 근접 이웃 알고리즘을 제안한다. 쿼리 복잡도를 감소시켜 고전적 방법에 비해 다항식, 지수, 심지어 초지수적 향상까지 이룩함으로써, 실제 이진 작업에서 고전적 모델과 경쟁 가능한 분류 정확도를 달성한다.

ABSTRACT

We present several quantum algorithms for performing nearest-neighbor learning. At the core of our algorithms are fast and coherent quantum methods for computing distance metrics such as the inner product and Euclidean distance. We prove upper bounds on the number of queries to the input data required to compute these metrics. In the worst case, our quantum algorithms lead to polynomial reductions in query complexity relative to the corresponding classical algorithm. In certain cases, we show exponential or even super-exponential reductions over the classical analog. We study the performance of our quantum nearest-neighbor algorithms on several real-world binary classification tasks and find that the classification accuracy is competitive with classical methods.

연구 동기 및 목표

• 근접 이웃 학습을 가속화하기 위해 거리 측도를 효율적으로 계산하는 양자 알고리즘을 개발하는 것.
• 양자적으로 핵심 거리 측도를 계산하기 위해 필요한 쿼리 수에 대한 이론적 상한을 설정하는 것.
• 양자 속도 향상이 실제 이진 분류 데이터셋에서 실용적인 성능 향상으로 이어지는지 평가하는 것.
• 양자 근접 이웃 방법의 분류 정확도를 고전적 대안과 비교하는 것.

제안 방법

• 알고리즘은 중첩 상태에 있는 데이터 포인트 간의 내적과 유클리드 거리를 계산하기 위해 일관된 양자 절차를 사용한다.
• 쿼리 복잡도를 감소시키기 위해 확률 진폭 추정과 양자 상태 준비를 활용하여 거리 측도를 평가한다.
• 입력 데이터가 오ракูล을 통해 양자 상태로 인코딩되어 있다고 가정하며, 데이터에 대한 양자 액세스를 활용한다.
• 양자 선형 대수 기법을 사용하여 거리 계산을 최적화하고 입력 데이터에 대한 쿼리 수를 최소화한다.
• 양자 근접 이웃 분류기는 이러한 빠른 거리 평가를 사용하여 가장 가까운 학습 포인트에 기반해 레이블을 할당한다.
• 거리 평가 및 분류 과정 중에 위상 일관성을 유지하고 디코herence를 최소화하도록 설계된다.

실험 결과

연구 질문

• RQ1 양자 알고리즘이 근접 이웃 학습에 사용되는 거리 측도 계산을 위한 쿼리 복잡도를 상당히 감소시킬 수 있는가?
• RQ2 내적과 유클리드 거리 계산에 대한 양자 쿼리 복잡도의 이론적 상한은 무엇인가?
• RQ3 실제 데이터셋에서 양자 근접 이웃 알고리즘이 고전적 방법과 경쟁 가능한 분류 정확도를 달성하는가?
• RQ4 근접 이웃 학습에서 양자 알고리즘이 고전적 동료에 비해 지수적 또는 초지수적 속도 향상을 제공하는 조건은 무엇인가?

주요 결과

• 양자 알고리즘은 고전적 대안 대비 거리 측도 계산을 위한 쿼리 복잡도에서 다항식 감소를 달성한다.
• 일부 경우에서 양자 접근은 고전 알고리즘에 비해 지수적 또는 심지어 초지수적 쿼리 복잡도 감소를 제공한다.
• 실제 이진 분류 작업에서 양자 근접 이웃 알고리즘의 분류 정확도는 고전적 방법과 경쟁 가능하다.
• 이론적 분석을 통해 양자 모델에서 거리 계산을 위한 쿼리 수에 대한 증명 가능한 상한을 확립한다.
• 데이터 차원 수나 데이터셋 크기가 증가할수록 성능 향상이 가장 두드러지며, 이는 양자 속도 향상에 유리하다.
• 결과는 양자 근접 이웃 학습이 양자 우위를 갖는 기계학습 워크로드를 가속화하는 실현 가능한 길임을 시사한다.