[论文解读] Quantum Divide-and-Conquer Anchoring for Separable Non-negative Matrix Factorization

Yuxuan Du, Tongliang Liu+3 more|arXiv (Cornell University)|Feb 20, 2018

Quantum Computing Algorithms and Architecture参考文献 17被引用 4

一句话总结

该论文提出量子分治锚定算法（QDCA），一种用于可分非负矩阵分解（SNMF）的量子算法，通过利用量子线性代数进行随机投影，并采用启发式后选择方法高效提取锚点索引，实现了指数级加速。在合理假设下，QDCA 的运行时间为 O(poly log(n+m))，标志着首次在 SNMF 中实现量子与经典计算的无缝集成，并具备可证明的量子优势。

ABSTRACT

It is NP-complete to find non-negative factors $W$ and $H$ with fixed rank $r$ from a non-negative matrix $X$ by minimizing $\|X-WH^ op\|_F^2$. Although the separability assumption (all data points are in the conical hull of the extreme rows) enables polynomial-time algorithms, the computational cost is not affordable for big data. This paper investigates how the power of quantum computation can be capitalized to solve the non-negative matrix factorization with the separability assumption (SNMF) by devising a quantum algorithm based on the divide-and-conquer anchoring (DCA) scheme. The design of quantum DCA (QDCA) is challenging. In the divide step, the random projections in DCA is completed by a quantum algorithm for linear operations, which achieves the exponential speedup. We then devise a heuristic post-selection procedure which extracts the information of anchors stored in the quantum states efficiently. Under a plausible assumption, QDCA performs efficiently, achieves the quantum speedup, and is beneficial for high dimensional problems.

研究动机与目标

• 通过利用量子优势，解决大规模数据下非负矩阵分解（NMF）的计算不可行性问题。
• 在可分性假设下，设计一种高效求解可分 NMF（SNMF）的量子算法，实现多项式时间解法并具备量子加速。
• 通过引入一种启发式后选择过程，克服量子机器学习中的测量瓶颈，实现在无需完整态层析的情况下高效提取锚点索引。
• 通过无缝集成量子与经典计算，建立混合量子-经典算法在机器学习中的通用框架。

提出的方法

• QDCA 采用分治锚定（DCA）框架，其中划分步骤利用量子算法通过量子线性运算执行随机投影，实现指数级加速。
• 随机投影生成的量子态将锚点索引编码在振幅中，最大振幅对应潜在锚点。
• 应用启发式后选择方法：在计算基下执行 O(poly log(n+m)) 次测量以采样索引，并选择出现频率最高的索引作为锚点。
• 合并步骤使用经典排序从 s 个子问题中识别出前 r 个锚点，其中 s = O(r log r)，确保以高概率正确恢复锚点。
• 该算法假设最大振幅对应真实锚点的概率较高，其合理性由浓度不等式和实验验证支持。
• 最终的分解通过经典计算使用选定的锚点行完成，整个过程的运行时间复杂度为 O(poly log(n+m))。

实验结果

研究问题

• RQ1 能否利用量子计算在求解可分非负矩阵分解（SNMF）时实现指数级加速？
• RQ2 如何在不进行完整态层析的情况下，高效从高维数据中提取量子算法的锚点索引？
• RQ3 混合量子-经典方法是否能克服量子机器学习中的测量瓶颈，同时保持量子优势？
• RQ4 是否可能设计一种量子算法，将量子运算与经典后处理无缝集成，以高效求解大规模 SNMF 问题？

主要发现

• 在合理假设下，QDCA 实现了 O(poly log(n+m)) 的运行时间复杂度，相较于经典 DCA 实现了指数级加速。
• 启发式后选择方法仅通过 O(poly log(n+m)) 次测量即可高概率成功识别锚点索引，避免了完整态读出。
• 实验结果证实，O(poly log(n+m)) 个样本已足够高概率定位投影后量子态中振幅最大的索引。
• 该算法表明，划分步骤中的量子线性代数运算可实现指数级加速，而合并步骤中的经典排序保持了低开销。
• QDCA 是首个在 SNMF 中实现量子与经典计算无缝集成的算法，为机器学习中的量子优势提供了通用策略。
• 实验表明，该方法对噪声和非理想条件具有鲁棒性，其结果在与先前工作相同假设下的合成数据上得到验证。