[论文解读] Classical Verification of Quantum Learning

C. Matthias, Marcel Hinsche+3 more|arXiv (Cornell University)|Jun 8, 2023

Quantum Computing Algorithms and Architecture被引用 2

一句话总结

本文提出了一套针对量子学习的经典验证框架，使经典客户端能够通过不可信的量子服务器委托并验证涉及量子数据的学习任务。研究表明，即使证明者使用量子叠加态混合数据，经典验证者也能仅通过随机样本或统计查询，高效且可靠地验证奇偶性和傅里叶稀疏函数的无监督学习，从而在验证中确立了一类新的量子优势，且经典访问需求极低。

ABSTRACT

Quantum data access and quantum processing can make certain classically intractable learning tasks feasible. However, quantum capabilities will only be available to a select few in the near future. Thus, reliable schemes that allow classical clients to delegate learning to untrusted quantum servers are required to facilitate widespread access to quantum learning advantages. Building on a recently introduced framework of interactive proof systems for classical machine learning, we develop a framework for classical verification of quantum learning. We exhibit learning problems that a classical learner cannot efficiently solve on their own, but that they can efficiently and reliably solve when interacting with an untrusted quantum prover. Concretely, we consider the problems of agnostic learning parities and Fourier-sparse functions with respect to distributions with uniform input marginal. We propose a new quantum data access model that we call "mixture-of-superpositions" quantum examples, based on which we give efficient quantum learning algorithms for these tasks. Moreover, we prove that agnostic quantum parity and Fourier-sparse learning can be efficiently verified by a classical verifier with only random example or statistical query access. Finally, we showcase two general scenarios in learning and verification in which quantum mixture-of-superpositions examples do not lead to sample complexity improvements over classical data. Our results demonstrate that the potential power of quantum data for learning tasks, while not unlimited, can be utilized by classical agents through interaction with untrusted quantum entities.

研究动机与目标

• 开发一种使用不可信量子服务器的经典验证量子学习任务的框架。
• 识别出经典学习者难以解决但可通过量子辅助与经典验证解决的学习问题。
• 引入一种新的量子数据访问模型——“叠加态混合”样本，以实现高效量子学习与验证。
• 证明经典验证者可仅通过经典数据访问（如随机样本或统计查询）验证量子学习。
• 确立“叠加态混合”样本在分布无关无监督学习与验证中的理论极限。

提出的方法

• 提出一种名为“叠加态混合”的新型量子数据访问模型，通过结构化相位关系将经典输入-输出对编码为量子叠加态。
• 基于“叠加态混合”模型，为在均匀输入边缘分布下进行奇偶性与傅里叶稀疏函数的无监督学习，设计了高效的量子学习算法。
• 设计一种交互式验证协议，使经典验证者与量子证明者交互，仅通过经典随机样本或统计查询验证所学假设的正确性。
• 采用量子态层析与密度矩阵谱分析，以界定互信息并推导样本复杂度下界。
• 应用信息论技术，包括冯·诺依曼熵与特征值分解，分析量子样本的信息含量。
• 将分布与函数学习问题约化为统计查询模型，以实现在无需完整量子访问的前提下进行经典验证。

实验结果

研究问题

• RQ1 经典验证者能否高效且可靠地验证由不可信量子服务器执行的量子学习任务？
• RQ2 “叠加态混合”样本是否在分布无关无监督学习中提供样本复杂度的量子优势？
• RQ3 经典验证者能否仅通过经典数据访问（如随机样本或统计查询）验证量子学习？
• RQ4 “叠加态混合”样本在互信息与样本复杂度方面的信息论极限是什么？
• RQ5 在最小访问假设下，量子数据与经典数据在无监督学习验证中的能力相比如何？

主要发现

• 即使证明者使用量子“叠加态混合”样本，经典验证者也能仅通过经典随机样本或统计查询，高效且可靠地验证奇偶性与傅里叶稀疏函数的无监督学习。
• 该框架实现了样本复杂度下界与经典极限一致的验证，表明在分布无关无监督学习中，“叠加态混合”样本并未降低样本复杂度。
• 假设与数据之间的互信息被限制在 𝑂(𝑚𝜖² log 𝑑) 以内，从而得出所需样本数量的下界为 𝑚 = Ω(𝑑 / 𝜖²)，与已知经典极限一致。
• 证明了分布无关无监督学习的样本复杂度下界为 𝑚 = ˜Ω(𝑑 / 𝜖²)，表明在此情形下量子数据无法带来渐近改进。
• 构建并证明了功能与分布无监督量子学习的验证协议，仅依赖经典访问，表明量子数据不会损害经典验证的安全性。
• 结果表明，尽管量子数据可使经典不可行的学习成为可能，但此类学习的验证仍可通过经典手段实现，从而在不可信量子服务器中保持信任。