[논문 리뷰] Evaluating the Impact of Different Quantum Kernels on the Classification Performance of Support Vector Machine Algorithm: A Medical Dataset Application

Emine Akpinar, Sardar M. N. Islam외 1명|arXiv (Cornell University)|2024. 07. 13.

Artificial Intelligence in Healthcare인용 수 5

한 줄 요약

본 논문은 서로 다른 양자 특징 맵이 두 개의 의료 데이터 세트에서 QSVM-Kernel 분류 정확도와 실행 시간에 어떤 영향을 주는지 평가하고, 최상의 성능을 내는 특징 맵을 식별한다.

ABSTRACT

The support vector machine algorithm with a quantum kernel estimator (QSVM-Kernel), as a leading example of a quantum machine learning technique, has undergone significant advancements. Nevertheless, its integration with classical data presents unique challenges. While quantum computers primarily interact with data in quantum states, embedding classical data into quantum states using feature mapping techniques is essential for leveraging quantum algorithms Despite the recognized importance of feature mapping, its specific impact on data classification outcomes remains largely unexplored. This study addresses this gap by comprehensively assessing the effects of various feature mapping methods on classification results, taking medical data analysis as a case study. In this study, the QSVM-Kernel method was applied to classification problems in two different and publicly available medical datasets, namely, the Wisconsin Breast Cancer (original) and The Cancer Genome Atlas (TCGA) Glioma datasets. In the QSVM-Kernel algorithm, quantum kernel matrices obtained from 9 different quantum feature maps were used. Thus, the effects of these quantum feature maps on the classification results of the QSVM-Kernel algorithm were examined in terms of both classifier performance and total execution time. As a result, in the Wisconsin Breast Cancer (original) and TCGA Glioma datasets, when Rx and Ry rotational gates were used, respectively, as feature maps in the QSVM-Kernel algorithm, the best classification performances were achieved both in terms of classification performance and total execution time. The contributions of this study are that (1) it highlights the significant impact of feature mapping techniques on medical data classification outcomes using the QSVM-Kernel algorithm, and (2) it also guides undertaking research for improved QSVM classification performance.

연구 동기 및 목표

• 특징 매핑이 고전 데이터와 결합될 때 양자 커널 방식에 어떤 영향을 미치는지 다루어 연구의 동기를 제시한다.
• 의료 데이터 세트에서 nine different quantum feature maps로 QSVM-Kernel 성능을 평가한다.
• 특징 맵별로 분류 정확도와 전체 실행 시간을 비교한다.
• 의료 데이터에서 QSVM 분류 결과를 향상시키기 위한 특징 매핑 선택에 대한 지침을 제시한다.

제안 방법

• 아홉 가지 서로 다른 양자 특징 맵으로부터 도출된 양자 커널 행렬을 사용하여 QSVM-Kernel을 적용한다.
• 두 개의 공개 이용 가능한 의료 데이터 세트를 사용한다: Wisconsin Breast Cancer (original) 및 TCGA Glioma.
• 각 특징 맵에 대해 분류 성능과 전체 실행 시간을 평가한다.
• 각 데이터 세트에 대해 어떤 특징 맵(예: Rx 및 Ry 회전 게이트)이 최상의 결과를 내는지 파악한다.
• 특징 맵 선택과 계산 효율성 간의 관계를 분석한다.

실험 결과

연구 질문

• RQ1 다른 양자 특징 맵이 의료 데이터에서 QSVM-Kernel 분류 성능에 어떻게 영향을 미치는가?
• RQ2 검토된 데이터 세트에서 QSVM-Kernel의 정확도와 실행 시간 간의 트레이드오프를 최적화하는 특징 맵은 무엇인가?
• RQ3 특정 게이트(예: Rx, Ry)가 데이터 세트 전반에 걸쳐 일관되게 우수한 결과를 내는가?

주요 결과

• Rx 및 Ry 회전 게이트가 Wisconsin Breast Cancer 데이터 세트와 TCGA Glioma 데이터 세트에서 최상의 분류 성능과 실행 시간을 달성했다.
• 이 연구는 QSVM-Kernel을 사용한 의료 데이터 분류 결과에 특징 매핑 기법이 상당한 영향을 미친다는 것을 보여준다.
• 적절한 특징 맵을 통해 향상된 성능의 QSVM 분류를 설계하기 위한 지침이 제공된다.