机构名称：
¥ 1.0
量子机器学习算法可以显著提高其速度，但其是否也能实现良好的泛化仍不清楚。最近，Wiebe 等人 [2016] 提出了两个量子感知器模型，它们使用 Grover 搜索比经典感知器算法实现了二次方的改进。第一个模型降低了与训练集大小相关的复杂度，而第二个模型则提高了感知器错误数量的界限。在本文中，我们介绍了一种混合量子-经典感知器算法，其复杂度低于经典感知器，泛化能力优于经典感知器。我们在样本数量和数据边际方面都比经典感知器实现了二次方的改进。我们推导出了算法返回的假设预期误差的界限，与使用经典在线感知器获得的误差相比，该界限更为有利。我们利用数值实验来说明量子感知器学习中计算复杂性和统计准确性之间的权衡，并讨论将量子感知器模型应用于近期量子设备的一些关键实际问题，由于固有噪声，其实际实施面临严峻挑战。然而，潜在的好处使得纠正这个问题值得。
重新审视量子感知器：计算与统计的权衡
主要关键词
相关文件推荐
