[논문 리뷰] Quantum support vector machine for big feature and big data classification.

Patrick Rebentrost, Masoud Mohseni외 1명|arXiv (Cornell University)|2013. 07. 01.

Quantum Computing Algorithms and Architecture인용 수 38

한 줄 요약

이 논문은 주요 성분 분석과 커널 행렬 역행렬 계산을 위한 양자 알고리즘을 활용하여, 대규모 특징과 대용량 데이터 세트의 분류에서 지수적 속도 향상을 달성하는 양자 서포트 벡터 머신(QSVM)을 제안한다. 이 방법은 희소성이 없는 행렬 시뮬레이션 기법을 사용하여 대규모 훈련 데이터와 고차원 특징 벡터를 효율적으로 처리하며, 감독 학습 기반 양자 기계 학습의 확장 가능한 접근 방식을 보여준다.

ABSTRACT

Supervised machine learning is the classification of new data based on already classified training examples. In this work, we show that the support vector machine, an optimized linear and non-linear binary classifier, can be implemented on a quantum computer, with exponential speedups in the size of the vectors and the number of training data examples. At the core of the algorithm is a non-sparse matrix simulation technique to efficiently perform a principal component analysis and matrix inversion of the training data kernel matrix. We thus provide an example of a quantum big feature and big data algorithm and pave the way for future developments at the intersection of quantum computing and machine learning.

연구 동기 및 목표

• 대규모 특징 공간과 대규모 훈련 데이터 세트에 대해 효율적으로 스케일링되는 양자 기계 학습 알고리즘을 개발하는 것.
• 고차원 및 대용량 데이터 환경에서의 고전적 SVM의 계산 병목 현상을 해결하는 것.
• 양자 계산을 활용하여 커널 행렬 연산—특히 행렬 역행렬과 주요 성분 분석—에서 지수적 속도 향상을 달성하는 것.
• 실세계 분류 작업을 위한 양자 컴퓨팅과 기계 학습의 융합 분야에서 실용적인 양자 알고리즘을 구현하는 것.

제안 방법

• 알고리즘은 훈련 데이터 커널 행렬을 나타내는 양자 상태의 진화를 효율적으로 시뮬레이션하기 위해 비희소 행렬 시뮬레이션 기법을 사용한다.
• 양자 위상 추정을 활용해 커널 행렬에 대해 주요 성분 분석을 수행하여 차원 축소를 위한 주요 고유벡터를 추출한다.
• 커널 행렬에 대해 양자 행렬 역행렬을 적용하여 SVM의 이중 최적화 문제를 해결하고, 빠른 분류를 가능하게 한다.
• 특성 인코딩을 통해 고전적 데이터를 양자 상태로 매핑하여 고차원적 구조를 유지하고 양자 처리에 적합하게 한다.
• 양자 병렬 처리를 활용해 모든 훈련 예제에 대해 커널 함수를 동시에 평가한다.
• 최종 분류 결정은 출력 양자 상태를 측정함으로써 도출되며, 이는 예측된 클래스 레이블을 포함한다.

실험 결과

연구 질문

• RQ1 양자 컴퓨팅이 대규모 특징과 대용량 데이터 환경에서 서포트 벡터 머신에 대해 지수적 속도 향상을 제공할 수 있는가?
• RQ2 큰 밀도 행렬로 구성된 커널 행렬에 대해 양자 알고리즘이 효율적으로 행렬 역행렬과 주요 성분 분석을 시뮬레이션할 수 있는가?
• RQ3 어떤 양자 기법이 감독 학습에서 고차원 데이터의 스케일러블 처리를 가능하게 하는가?
• RQ4 비희소 행렬 시뮬레이션 기법이 SVM 분류와 같은 실세계 기계 학습 문제에 효과적으로 적용될 수 있는가?
• RQ5 고전적 대안 대비 SVM의 런타임 스케일링 측면에서 실용적인 양자 이점은 무엇인가?

주요 결과

• 제안된 QSVM는 고전적 SVM에 비해 특징 벡터의 크기와 훈련 데이터 수의 증가에 따라 지수적 속도 향상을 달성한다.
• 비희소 행렬 시뮬레이션 기법은 커널 행렬 연산의 효율적 양자 계산을 가능하게 하여 고전적 병목 현상을 극복한다.
• 커널 행렬에 대한 주요 성분 분석과 행렬 역행렬 계산은 데이터 포인트 수에 대해 다항식적으로 스케일링되는 양자 알고리즘을 통해 수행된다.
• 이 방법은 대규모 특징과 대용량 데이터 분류를 위한 양자 알고리즘의 실현 가능성을 입증하며, 향후 양자 기계 학습 응용의 길을 열어준다.
• 알고리즘은 고차원 및 대규모 데이터 환경에서 양자 강화 감독 학습을 위한 확장 가능한 프레임워크를 제공한다.