[论文解读] Fast quantum learning with statistical guarantees.

Carlo Ciliberto, Andrea Rocchetto+2 more|arXiv (Cornell University)|Jan 28, 2020

Quantum Computing Algorithms and Architecture参考文献 30被引用 5

一句话总结

本文表明，尽管理论上存在量子加速，但具有统计保证的量子机器学习算法在施加精度限制时，无法在输入维度上实现对数多对数时间复杂度的运行时间。该研究通过展示样本复杂度的限制，挑战了在学习中存在量子优势的假设，即使在理想量子数据访问条件下，量子加速潜力也受到限制。

ABSTRACT

Within the framework of statistical learning theory it is possible to bound the minimum number of samples required by a learner to reach a target accuracy. We show that if the bound on the accuracy is taken into account, quantum machine learning algorithms -- for which statistical guarantees are available -- cannot achieve polylogarithmic runtimes in the input dimension. This calls for a careful revaluation of quantum speedups for learning problems, even in cases where quantum access to the data is naturally available.

研究动机与目标

• 评估在统计学习理论约束下，量子机器学习算法是否能在输入维度上实现对数多对数时间复杂度的运行时间。
• 研究精度限制对量子学习算法效率的影响。
• 在数据访问为量子但需满足统计保证的前提下，重新评估学习问题中量子优势的声明。

提出的方法

• 在统计学习理论框架内，对量子机器学习算法进行形式化分析。
• 推导出约束目标精度所需最小样本数的样本复杂度边界。
• 将这些样本复杂度边界纳入量子学习算法的运行时间分析中。
• 在相同的统计精度要求下，比较经典与量子学习算法的运行时间。
• 利用理论边界评估当精度被强制执行时，量子加速是否仍具可行性。

实验结果

研究问题

• RQ1 当施加统计精度保证时，量子机器学习算法是否能在输入维度上实现对数多对数时间复杂度的运行时间？
• RQ2 统计学习理论中的样本复杂度边界如何影响量子加速在学习中的可行性？
• RQ3 在施加精度约束时，对数据的量子访问在多大程度上能保持运行时间优势？

主要发现

• 当考虑精度限制时，具有统计保证的量子机器学习算法无法在输入维度上实现对数多对数时间复杂度的运行时间。
• 为达到目标精度而所需的最小样本数，对量子加速潜力构成了根本性限制。
• 即使拥有理想的量子数据访问，学习中的量子加速仍受统计样本复杂度的制约。
• 当施加现实的精度要求时，学习中的理论量子优势可能不再成立。
• 当统计保证是问题表述的一部分时，有必要对学习中的量子加速进行重新评估。