[论文解读] Image Classification Based on Quantum KNN Algorithm

Yijie Dang, Nan Jiang+3 more|arXiv (Cornell University)|May 16, 2018

Quantum Computing Algorithms and Architecture参考文献 31被引用 6

一句话总结

本文提出一种用于图像分类的量子增强K近邻（KNN）算法，利用量子叠加实现相似度计算的并行化，并通过量子最小值搜索加速k个最近邻的识别。该方法将时间复杂度降低至$O(\sqrt{kM})$，显著优于经典KNN，同时保持高准确率——在Graz-01数据集上达到83.1%，在Caltech-101数据集上达到78%，展示了单次测量步骤下高效且可扩展的分类性能。

ABSTRACT

Image classification is an important task in the field of machine learning and image processing. However, the usually used classification method --- the K Nearest-Neighbor algorithm has high complexity, because its two main processes: similarity computing and searching are time-consuming. Especially in the era of big data, the problem is prominent when the amount of images to be classified is large. In this paper, we try to use the powerful parallel computing ability of quantum computers to optimize the efficiency of image classification. The scheme is based on quantum K Nearest-Neighbor algorithm. Firstly, the feature vectors of images are extracted on classical computers. Then the feature vectors are inputted into a quantum superposition state, which is used to achieve parallel computing of similarity. Next, the quantum minimum search algorithm is used to speed up searching process for similarity. Finally, the image is classified by quantum measurement. The complexity of the quantum algorithm is only O((kM)^(1/2)), which is superior to the classical algorithms. Moreover, the measurement step is executed only once to ensure the validity of the scheme. The experimental results show that, the classification accuracy is 83.1% on Graz-01 dataset and 78% on Caltech-101 dataset, which is close to existing classical algorithms. Hence, our quantum scheme has a good classification performance while greatly improving the efficiency.

研究动机与目标

• 解决经典KNN在图像分类中，尤其是在大数据工作负载下计算复杂度高的问题。
• 利用量子计算的并行性，优化相似度计算与k个最近邻搜索。
• 设计一种保持高准确率的同时显著降低时间复杂度的量子图像分类框架。
• 在Graz-01和Caltech-101等真实世界自然图像数据集上，验证量子KNN的可行性和性能表现。
• 通过最小化测量步骤并确保方案有效性，建立图像分类中的量子优势。

提出的方法

• 使用经典计算从图像中提取特征向量，以保持与现有处理流程的兼容性。
• 将提取的经典特征向量编码为量子叠加态，以实现对所有训练样本的相似度并行评估。
• 通过Dürr算法实现量子幅值放大，以高效识别k个最小距离，将搜索复杂度降低至$O(\sqrt{kM})$。
• 采用量子最小值搜索算法，通过迭代放大最小距离的幅值，定位k个最近邻。
• 执行单次量子测量，使量子态坍缩并获取k个最近训练图像的索引。
• 通过k个最近邻的多数投票确定分类结果，并将结果输出为预测类别。

实验结果

研究问题

• RQ1 与经典方法相比，量子计算能否显著降低基于KNN的图像分类的时间复杂度？
• RQ2 所提出的量子KNN算法在Graz-01和Caltech-101等真实自然图像数据集上的分类准确率表现如何？
• RQ3 在计算开销大幅降低的前提下，该量子方案是否能在训练数据有限的情况下仍保持高准确率？
• RQ4 使用单次量子测量步骤对分类结果的有效性与可靠性有何影响？
• RQ5 量子并行性与幅值放大在图像分类中能否被有效利用，以加速相似度计算与邻居搜索？

主要发现

• 量子KNN算法将时间复杂度降低至$O(\sqrt{kM})$，相较于经典方法在相似度计算和搜索操作中的$O(M)$与$O(M\log k)$复杂度有显著提升。
• 在Graz-01数据集上，当$k=5$且使用90%的数据进行训练时，算法达到83.1%的峰值准确率。
• 在Caltech-101数据集上，当$k=3$且训练比例为90%时，算法实现78%的准确率，表明其在多类自然图像上的强大性能。
• 即使在训练数据减少的情况下，算法仍能保持超过70%的准确率，显示出对数据稀缺的鲁棒性。
• 分类准确率与当前最先进的经典KNN方法相当，验证了该量子实现方案的有效性。
• 采用单次测量步骤确保了量子分类过程的有效性与一致性，避免了测量引起的态坍缩问题。