机构名称：
¥ 1.0
摘要 — 几十年来，传统的源和信道编码信息理论在学习和有效提取数据信息方面取得了进展。我们建议更进一步，为从量子数据中学习经典模式提供理论基础。然而，在为这种概括奠定基础的过程中，有几个障碍。首先，必须用希尔伯特空间上的密度算子代替经典数据。因此，与状态断层扫描等问题不同，我们的样本是独立同分布密度算子。第二个挑战更加深刻，因为我们必须认识到，我们与量子态的唯一相互作用是通过测量，由于不可克隆量子假设，测量后会丢失信息。考虑到这一点，我们提出了众所周知的可能近似正确 (PAC) 框架的量子对应物。基于此，我们提出了一种类似于经验风险最小化 (ERM) 算法的量子算法，用于学习测量假设类。然后，我们建立了量子样本复杂度量子概念类的上限。
从量子数据中学习的理论框架
主要关键词
相关文件推荐
