[论文解读] A Survey of Quantum Learning Theory

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

Quantum Computing Algorithms and Architecture参考文献 53被引用 46

一句话总结

本综述对量子学习理论进行了全面的理论分析，考察了三种学习模型：通过成员查询的精确学习，以及使用经典或量子样本的PAC学习和抗坏境学习。研究结果表明，量子成员查询相较于经典方法可实现多项式甚至超多项式加速；而在分布无关的设置下，量子样本在样本复杂度方面并无显著优势——尽管在均匀分布等特定分布下，量子样本可实现指数级更高的效率。

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.

研究动机与目标

• 系统性地综述量子机器学习的理论基础，重点关注具有量子数据访问能力的学习模型。
• 阐明量子学习与经典学习在查询复杂度、样本复杂度和时间复杂度方面的相对优势。
• 识别量子学习理论中的开放问题与研究方向，特别是针对DNF、juntas和AC0电路等概念类。
• 分析在何种条件下，量子样本可实现相对于经典学习的指数级或超多项式加速。
• 探索Grover搜索、幅值放大和相位估计算法等量子算法在学习任务中的潜力。

提出的方法

• 分析三种学习模型：通过成员查询的精确学习、PAC学习和抗坏境学习。
• 利用量子查询下界和量子算法设计等技术，比较经典与量子查询复杂度。
• 将Grover搜索、幅值放大和相位估计等量子算法应用于学习问题。
• 使用组合与信息论工具界定量子样本复杂度，特别是在均匀分布及其他固定分布下的情况。
• 引入量子成员查询复杂度的概念，并将其与扩展教学维数和γ(C)等结构参数关联。
• 为对称k-juntas的量子查询复杂度提供紧致界，表明其与经典复杂度之间存在四次方量级的分离。

实验结果

研究问题

• RQ1 对于精确学习，量子成员查询能否在对称k-juntas等概念类上实现相对于经典成员查询的超多项式加速？
• RQ2 在PAC或抗坏境学习模型中，使用量子样本是否能相对于经典随机样本提供显著优势？
• RQ3 在哪些概念类（如DNF、juntas、AC0）下，量子样本在特定分布下可实现指数级或超多项式加速？
• RQ4 量子算法能否在样本复杂度最优的前提下实现正确学习，即假设函数属于概念类？
• RQ5 是否存在实际的机器学习问题，可利用当前量子算法实现可证明的大规模量子加速？

主要发现

• 对于对称k-juntas（如多数函数）的精确学习，量子成员查询可实现相对于经典方法的四次方加速，查询次数为O(k^{1/4})，而经典方法为Ω(k)。
• 在分布无关的PAC和抗坏境学习中，量子样本在样本复杂度方面相比经典样本并无超越常数因子的改进。
• 在均匀分布下，量子样本可显著更高效地学习DNF公式和juntas，DNF学习可在多项式时间复杂度内完成。
• 存在某些概念类（如可通过Shor或Simon算法求解的类），即使在PAC模型下，量子计算机也能实现相对于经典方法的超多项式加速。
• 精确学习的量子查询复杂度受O(D(C) + Q(C)^2)的限制，但尚不清楚该界是否可改进为O(nQ(C) + Q(C)^2)。
• 本文识别出若干开放问题，包括AC0或TC0电路是否能通过均匀量子样本在PAC模型下被高效学习，以及在Angluin的等价查询模型中是否存在量子加速。