[논문 리뷰] A Survey of Quantum Learning Theory

Srinivasan Arunachalam, Ronald de Wolf|arXiv (Cornell University)|2017. 01. 24.

Quantum Computing Algorithms and Architecture참고 문헌 53인용 수 46

한 줄 요약

이 종합적 서베이는 양자 학습 이론에 대한 체계적인 이론적 분석을 제공하며, 세 가지 모델을 검토한다: 멤버십 쿼리를 통한 정확한 학습, 그리고 고전적 또는 양자적 예제를 사용한 PAC 및 아그노스틱 학습. 이는 양자 멤버십 쿼리가 고전적 방법보다 다항식 또는 심지어 초다항식의 속도 향상을 제공할 수 있음을 입증하며, 분포 독립적 설정에서는 양자 예제가 샘플 복잡도에 있어 유의미한 이점이 없음을 보여준다. 다만, 균일 분포와 같은 특정 분포 하에서는 양자 예제가 지수적으로 더 효율적일 수 있다.

ABSTRACT

This paper surveys quantum learning theory: the theoretical aspects of machine learning using quantum computers. We describe the main results known for three models of learning: exact learning from membership queries, and Probably Approximately Correct (PAC) and agnostic learning from classical or quantum examples.

연구 동기 및 목표

• 데이터에 양자 액세스가 가능한 학습 모델을 중심으로 양자 기계 학습의 이론적 기초를 체계적으로 서베이하는 것.
• 질의, 샘플, 시간 복잡도 측면에서 양자 학습과 고전적 학습 간의 상대적 이점을 명확히 하는 것.
• 특히 DNF, 져노스, AC0 회로와 같은 개념 클래스에 관해 양자 학습 이론의 열린 문제와 연구 방향을 규명하는 것.
• 양자 예제가 고전적 학습보다 지수적 또는 초다항식의 속도 향상을 제공할 수 있는 조건을 분석하는 것.
• 그로버의 검색, 확률 증폭, 위상 추정과 같은 양자 알고리즘이 학습 과제에 어떻게 활용될 수 있는지 탐구하는 것.

제안 방법

• 정확한 학습을 위한 멤버십 쿼리, PAC 학습, 아그노스틱 학습의 세 학습 모델을 분석한다.
• 양자 질의 복잡도 하한과 양자 알고리즘 설계 기법을 사용해 고전적 및 양자 질의 복잡도를 비교한다.
• 학습 문제에 그로버의 검색, 확률 증폭, 위상 추정과 같은 양자 알고리즘을 적용한다.
• 조합론적 및 정보 이론적 도구를 사용해, 특히 균일 분포 및 기타 고정된 분포 하에서의 양자 샘플 복잡도를 경계한다.
• 양자 멤버십 쿼리 복잡도 개념을 도입하고, 확장된 교육 차원과 γ(C)와 같은 구조적 파라미터와 연관시킨다.
• 대칭 k-저노스에 대한 양자 질의 복잡도에 대해 날카로운 경계를 제공하며, 고전적 복잡도와의 네제곱 차이를 보여준다.

실험 결과

연구 질문

• RQ1 정확한 학습을 위한 양자 멤버십 쿼리는 고전적 멤버십 쿼리보다 초다항식의 속도 향상을 제공할 수 있는가?
• RQ2 PAC 또는 아그노스틱 학습 모델에서 양자 예제가 고전적 랜덤 예제보다 유의미한 이점을 제공하는가?
• RQ3 어떤 개념 클래스(예: DNF, 져노스, AC0)에서 특정 분포 하에서 양자 예제가 지수적 또는 초다항식의 속도 향상을 제공할 수 있는가?
• RQ4 양자 알고리즘이 개념 클래스 내에 있는 가설을 포함하는 최적의 샘플 복잡도로 적절한 학습을 달성할 수 있는가?
• RQ5 현재의 양자 알고리즘을 사용해, 확실한 대규모 양자 가속이 입증된 실용적 기계 학습 문제는 있는가?

주요 결과

• 대칭 k-저노스를 학습할 때, 양자 멤버십 쿼리는 고전적 방법에 비해 네제곱의 속도 향상을 달성한다. 고전적으로 Ω(k)가 필요한 데 비해, 양자적으로는 O(k^{1/4})의 질의로 충분하다.
• 분포 독립적 PAC 및 아그노스틱 학습에서는, 양자 예제가 고전적 예제와 비교해 샘플 복잡도를 상수 요인 이내로만 줄일 수 있다.
• 균일 분포 하에서는, 양자 예제를 사용해 DNF 공식과 져노스를 고전적 방법보다 훨씬 효율적으로 학습할 수 있으며, DNF 학습은 다항식 수준의 양자 예제로 가능하다.
• 쇼어의 또는 시몬의 알고리즘으로 해결 가능한 개념 클래스들은, 조건이 충족되면 조건부로 양자 컴퓨터가 고전적 방법보다 초다항식으로 더 빠르게 학습될 수 있다. 이는 PAC 모델에서도 마찬가지다.
• 정확한 학습의 양자 질의 복잡도는 O(D(C) + Q(C)^2)로 경계되며, 이 경계가 O(nQ(C) + Q(C)^2)로 향상될 수 있는지 여부는 아직 열려 있는 문제이다.
• 이 논문은 몇 가지 열린 문제를 규명한다. 예를 들어, AC0 또는 TC0 회로가 균일한 양자 예제를 사용해 효율적으로 PAC 학습 가능한지 여부, 그리고 앙글린의 동치성 쿼리 모델에서 양자 가속이 존재하는지 여부이다.