监督学习
监督学习是一种学习函数的机器学习方式,学习得到的函数会基于样例中的输入-输出配对方式,将输入数据映射到输出数据。它从由一组训练样例组成的标记训练数据中推断出一个函数,并使用一组测试样例计算其性能。
我们可以把监督学习任务分为两种类型:分类(classification)和回归(regression)。
- 分类任务要求我们将数据分配到特定的类别之下。例如,给定带标签的椅子或桌子的图片,我们需要在学习图片之后尝试辨别新的椅子和桌子的照片。
- 回归任务要求我们理解自变量与因变量之间的关系。这种关系我们通常会用来进行预测,比如,给定一组历史股价,预测未来股价。
量子监督学习领域近期大多数研究的焦点都在分类上,尤其是以下介绍的两种方法。
量子变分分类(Quantum variational classification)
给定输入集 X \mathscr{X} X和量子希尔伯特空间 H \mathscr{H} H,我们使用量子特征映射将数据点 x ⃗ i ∈ X \vec{x}_i\in\mathscr{X} xi∈X加密成,例如 U Φ : X → H U_{\Phi}: \mathscr X\rightarrow \mathscr H UΦ:X→H,然后用参数化量子电路 W ( θ ) W(\theta) W(θ)来处理该状态。所得到的状态变成了 ∣ Ψ ( x i , θ ) > = W ( θ ) ∣ Ψ ( x ⃗ i ) > \left|\Psi(x_i,\theta)\right>=W(\theta)\left|\Psi (\vec{x}_i)\right> ∣Ψ(xi,θ)⟩=W(θ)∣Ψ(xi)⟩,其中参数会通过训练以匹配目标量子态 ∣ y i > \left|y_i\right> ∣yi⟩,而这一量子态表示训练点的 y i y_i yi个特征/标签。
我们会在下一章详细讨论这一话题。
量子核估计(Quantum kernel estimation)
给定一个输入集合
X
\mathscr{X}
X和量子希尔伯特空间
H
\mathscr{H}
H,数据点
x
⃗
i
∈
X
\vec x_i\in X
xi∈X通过量子特征映射编码成量子态,例如
U
Φ
:
X
→
H
U_\Phi:\mathscr X \rightarrow \mathscr H
UΦ:X→H。两个量子编码过的量子态的内积定义了核(kernel):
K
(
x
⃗
i
,
x
⃗
j
)
≡
<
Φ
(
x
⃗
i
)
∣
Φ
(
x
⃗
j
)
>
K(\vec x_i,\vec x_j)\equiv\left<\Phi(\vec x_i)|\Phi(\vec x_j)\right>
K(xi,xj)≡⟨Φ(xi)∣Φ(xj)⟩
这是经典机器学习中核概念的类比产物。
我们会在量子核估计章节详细阐述这一方法。
两种方法都需要将数据编码成量子态。量子特征映射或编码有若干种定义的方式。这是分类任务中至关重要的一步。为了凸显量子优越性,特征映射需要在经典计算机中难以实现。