[论文解读] Quantum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning

Nathan Wiebe, Ashish Kapoor+1 more|arXiv (Cornell University)|Jan 9, 2014

Quantum Computing Algorithms and Architecture被引用 8

一句话总结

本文提出了一种用于最近邻分类和k均值聚类的量子算法，通过利用内积的相干量子距离计算与欧几里得距离估计，并结合振幅估计算法，实现了查询复杂度的多项式降低。主要贡献在于相较于经典蒙特卡洛方法实现了接近二次方的加速，且对估计误差具有鲁棒性，适用于高维数据。

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.

研究动机与目标

• 开发一种量子算法，与经典方法相比，显著降低最近邻分类和k均值聚类的查询复杂度。
• 通过量子预言机实现高维向量之间欧几里得距离和内积的快速、相干量子计算。
• 将振幅估计与距离计算相结合，避免测量引起的退相干，从而实现可相干组合的量子子程序。
• 在真实世界数据集上，验证量子最近邻分类器对距离估计误差的鲁棒性。
• 通过实现具有降低查询复杂度的量子k均值聚类，将该框架扩展至无监督学习任务。

提出的方法

• 该算法使用量子预言机 O 和 F 访问训练数据和测试数据向量，实现相干态制备与振幅放大。
• 通过两种方法计算距离：一种是使用量子态内积的“内积法”，另一种是使用平方差振幅估计的“欧几里得法”。
• 在不进行测量的情况下应用相干振幅估计，以避免叠加态的坍缩，从而可与基于Grover的最近邻搜索集成。
• 距离估计过程设计为容忍有界误差 ε，成功概率为 δ₀，确保在实际应用中的鲁棒性。
• 对于k均值聚类，算法使用相同的距离估计框架计算聚类分配，随后通过量子态重建实现质心重新计算。
• 单次k均值迭代的查询复杂度为 O(M√k log k / ε)，当 kN ≫ M 时，显著优于经典复杂度 O(kMN)。

实验结果

研究问题

• RQ1 量子算法能否在最近邻分类任务中，相较于经典蒙特卡洛方法，实现查询复杂度的多项式降低？
• RQ2 相干量子距离计算能否在不引起测量退相干的情况下，与振幅估计结合？
• RQ3 量子最近邻分类器在真实世界数据集上对距离估计误差的鲁棒性如何？
• RQ4 相同的量子距离估计框架能否扩展至k均值聚类等无监督学习任务？
• RQ5 量子k均值聚类的查询复杂度如何缩放？与经典复杂度 O(kMN) 相比有何差异？

主要发现

• 量子最近邻算法在查询复杂度方面相较于经典蒙特卡洛方法实现了接近二次方加速，查询次数缩放为 O(M√k log k / ε)。
• 即使距离估计存在有界误差 ε，该算法仍保持高精度，表明其对振幅估计噪声具有鲁棒性。
• 对于k均值聚类，单次迭代的查询复杂度被限制在 O(M√k log k / ε)，当 kN ≫ M 时，显著优于经典复杂度 O(kMN)。
• 该方法可实现由量子模拟器实时生成的数据的分类，这一任务在经典计算中因需要规模过大特征数据库而不可行。
• 在真实世界二分类任务上的数值结果表明，量子分类器的分类准确率与经典方法相当。
• 该框架支持本征量子机器学习，通过允许从量子模拟中动态、实例化地提取特征，实现经典方法无法实现的新一类学习任务。