[논문 리뷰] Quantum statistical query learning

Srinivasan Arunachalam, Alex B. Grilo외 1명|arXiv (Cornell University)|2020. 02. 19.

Machine Learning and Algorithms참고 문헌 56인용 수 19

한 줄 요약

이 논문은 양자 통계 쿼리(Quantum Statistical Query, QSQ) 학습 모델을 소개한다. 이는 고전적 학습자가 양자 예제에 접근할 수 있는 방법을 통계 쿼리—즉, 양자 관측량의 기대값 추정치—로 제한한 강력한 프레임워크이다. 주요 기여는 QSQ 학습이 고전적 SQ 모델에서 어려운 개념 클래스, 예를 들어 패리티 함수, O(log n)-준타, 다항식 크기의 DNF 공식을 효율적으로 처리할 수 있다는 점으로, 이는 이 제약된 환경에서도 양자적 우월성을 보여준다.

ABSTRACT

We propose a learning model called the quantum statistical learning QSQ model, which extends the SQ learning model introduced by Kearns to the quantum setting. Our model can be also seen as a restriction of the quantum PAC learning model: here, the learner does not have direct access to quantum examples, but can only obtain estimates of measurement statistics on them. Theoretically, this model provides a simple yet expressive setting to explore the power of quantum examples in machine learning. From a practical perspective, since simpler operations are required, learning algorithms in the QSQ model are more feasible for implementation on near-term quantum devices. We prove a number of results about the QSQ learning model. We first show that parity functions, (log n)-juntas and polynomial-sized DNF formulas are efficiently learnable in the QSQ model, in contrast to the classical setting where these problems are provably hard. This implies that many of the advantages of quantum PAC learning can be realized even in the more restricted quantum SQ learning model. It is well-known that weak statistical query dimension, denoted by WSQDIM(C), characterizes the complexity of learning a concept class C in the classical SQ model. We show that log(WSQDIM(C)) is a lower bound on the complexity of QSQ learning, and furthermore it is tight for certain concept classes C. Additionally, we show that this quantity provides strong lower bounds for the small-bias quantum communication model under product distributions. Finally, we introduce the notion of private quantum PAC learning, in which a quantum PAC learner is required to be differentially private. We show that learnability in the QSQ model implies learnability in the quantum private PAC model. Additionally, we show that in the private PAC learning setting, the classical and quantum sample complexities are equal, up to constant factors.

연구 동기 및 목표

• 양자 예제에 대한 액세스를 통계 쿼리로 제한하는 양자 학습 모델을 체계화하여, 근접한 양자 장치에서의 실현 가능성을 확보한다.
• 직접적인 양자 상태 액세스가 제한된 상황에서도 양자 예제가 학습에 우월성을 제공하는지 조사한다.
• QSQ 학습, 양자 프라이빗 PAC 학습, 그리고 통신 복잡도 간의 연결 고리를 설정한다.
• 약한 통계 쿼리 차원과 같은 정보 이론적 측도를 사용하여 QSQ 모델에서의 개념 클래스 학습 가능성의 특성을 규명한다.
• 양자 학습 우월성을 얻기 위해 얽힘 또는 중첩 쿼리가 필수적인지 탐색한다.

제안 방법

• QSQ 모델을 고전적 양자 PAC 모델의 제약된 형태로 제안하며, 학습자는 양자 예제에서 관측량의 기대값 추정치만 수신한다.
• 형태 |ψc*⟩ = Σx √D(x) |x, c*(x)⟩ 의 양자 예제를 사용하고, 헤르미트 관측량 M에 대해 ⟨ψc*|M|ψc*⟩ 의 기대값을 쿼리한다.
• 양자 쿼리 복잡도와 통계 쿼리 학습 기법을 적용하여 학습 가능성 분석을 수행하며, 진폭 강화와 농도 경계를 활용한다.
• QSQ 학습의 표본 복잡도를 제한하기 위해 확률적 표현 차원(PRDIM) 개념을 도입한다.
• log(WeakSQDIM(C)) 기반의 하한을 통해 QSQ 학습과 소규모 편향 양자 통신 모델 간의 연결 고리를 설정한다.
• QSQ 학습 가능성은 프라이빗 양자 PAC 모델에서의 학습 가능성으로 이어지며, 프라이빗 환경에서 고전적 및 양자 표본 복잡도가 상수 인자 범위 내에서 동일하다는 것을 보여준다.

실험 결과

연구 질문

• RQ1 학습자가 전체 양자 상태에 직접 액세스할 수 없고, 오직 그 통계적 성질만 액세스할 수 있는 상황에서도 양자 예제가 학습 우월성을 제공할 수 있는가?
• RQ2 패리티 함수나 DNF 공식과 같은 개념 클래스가 고전적 SQ 모델에서 어려운데도 QSQ 모델에서는 효율적으로 학습 가능한가?
• RQ3 약한 통계 쿼리 차원의 로그 값이 특정 개념 클래스에 대해 QSQ 학습 복잡도의 날카로운 하한을 제공하는가?
• RQ4 QSQ 학습을 통해 차별적 프라이버시를 갖춘 양자 PAC 학습을 달성할 수 있으며, 그 표본 복잡도는 고전적 프라이버시 학습과 비교해 어떻게 되는가?
• RQ5 균일 분포 하에서 양자 PAC 학습과 QSQ 학습 간에 분리가 존재하는가? 이는 얽힘 또는 중첩 쿼리가 전체 양자 우월성을 위해 필수적일 수 있음을 시사한다.

주요 결과

• 패리티 함수, O(log n)-준타, 다항식 크기의 DNF 공식은 QSQ 모델에서 효율적으로 학습 가능하며, 이는 고전적 SQ 모델에서의 어려움과 대비된다.
• log(WeakSQDIM(C))는 QSQ 학습 복잡도에 대한 하한을 제공하며, 특정 개념 클래스에 대해 이 하한이 날카로운 것으로 밝혀졌다.
• 이 하한은 제품 분포 하에서 소규모 편향 양자 통신 모델에 대해 강력한 하한을 유도한다.
• QSQ 학습 가능성은 양자 프라이빗 PAC 모델에서의 학습 가능성으로 이어지며, 프라이빗 환경에서 고전적 및 양자 표본 복잡도는 상수 인자 범위 내에서 동일하다.
• 논문은 균일 분포 하에서 양자 PAC 학습과 QSQ 학습 간의 분리 여부를 여전히 열려 있는 문제로 남기며, 전체 양자 우월성을 위해 얽힘 또는 중첩 쿼리가 필수적일 수 있음을 시사한다.
• 이 프레임워크는 많은 알려진 양자 알고리즘이 통계 쿼리 모델로 재구성될 수 있음을 시사하여, 양자 기계 학습 알고리즘에 대한 통합적 시각을 제공한다.