[论文解读] Quantum-inspired low-rank stochastic regression with logarithmic dependence on the dimension
作者提出一种经典、受量子启发的算法，使用长度平方采样来近似低秩线性系统 Ax=b 的伪逆解，在适当的数据访问假设下实现对维度的对数多项式依赖。
We construct an efficient classical analogue of the quantum matrix inversion algorithm (HHL) for low-rank matrices. Inspired by recent work of Tang, assuming length-square sampling access to input data, we implement the pseudoinverse of a low-rank matrix and sample from the solution to the problem $Ax=b$ using fast sampling techniques. We implement the pseudo-inverse by finding an approximate singular value decomposition of $A$ via subsampling, then inverting the singular values. In principle, the approach can also be used to apply any desired "smooth" function to the singular values. Since many quantum algorithms can be expressed as a singular value transformation problem, our result suggests that more low-rank quantum algorithms can be effectively "dequantised" into classical length-square sampling algorithms.
研究动机与目标
- 通过提供 A 的量子矩阵求逆的经典对比，激发对低秩量子算法的去量子化，A 的秩为 k<<m, n。
- 展示如何通过子采样近似 A 的奇异值分解，并对奇异值取逆以获得 A^+ 及一个可采样的解 x。
- 证明许多奇异值变换可以在长度平方采样框架中实现。
- 给出在与先前方法相比改进的复杂性界限，并在类似访问模型下与量子对应方法进行比较。
提出的方法
- 描述在行和列上使用长度平方采样对低秩矩阵 A 进行近似奇异值分解。
- 估计值 <ũ^{(ℓ)}|b> / σ̃_{ℓ}，以获得一个隐式解向量 ~x ≈ A^+ b。
- 利用拒绝采样方法从分布 |x_j|^2 / ||x||^2 进行采样。
- 给出一个明确的算法（算法 1），输出一个适用于查询和采样访问的 ~x 的隐式描述。
- 通过展示近似奇异向量/值与投影到 A 的行空间之间的关系来分析正确性。
- 在对 A 的长度平方访问和对 b 的查询访问条件下推导复杂度界限，相比先前工作具有更优的指数。
实验结果
研究问题
- RQ1在低秩矩阵上，经典的长度平方采样框架是否能够复现量子奇异值变换的效果？
- RQ2在何种条件下，维度的对数多项式时间算法可以近似 Ax=b 的伪逆解 x = A^+ b？
- RQ3近似奇异向量/值的精度如何影响所恢复解的质量及采样分布？
- RQ4采样参数（行/列采样次数）如何影响误差界和成功概率？
- RQ5在类似的数据访问模型下，所提出的经典算法界限与基于量子 HHL 的期望相比如何？
主要发现
- 使用长度平方采样构建了低秩 A 的量子矩阵求逆的高效经典类比。
- 该算法给出一个隐式的 ~x，在所述条件下以乘法误差 ε 近似 A^+ b。
- 通过两步采样（先行再列）获得近似奇异值及左右奇异向量，以尽可能逼近 A及其 SVD。
- 该方法使得从解分布采样成为可能，与目标分布的总变差距离为 2ε。
- 所达到的复杂性界限在相关工作中具有更小的指数，在给定访问模型假设下对问题维度呈对数多项式的依赖。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。