量子コンピューティングはベイジアン学習をスピードアップできますか?


8

ディープラーニングに対するベイジアン学習の最大の欠点の1つは実行時です。ベイズの定理を適用するには、データの分散方法に関する知識が必要です。これには通常、高価な積分または何らかのサンプリングメカニズム(対応する欠点があります)が必要です。

結局のところ、すべては分布の伝播であり、これは(私が理解している限り)量子コンピューティングの性質なので、これらを効率的に実行する方法はありますか?はいの場合、どのような制限が適用されますか?

編集直接関連するリンク):


これについては多くの作業が行われていません(私が知っていることです)。ベイジアンネットワークには1404.0055があり、著者はGrover検索のバリエーションを使用して2次の高速化を実現しています。マルコフモデルの関連トピックについてもいくつかあります。wikiのリファレンスと1611.08104を参照してください。私はこれらから答えを構築するのに十分な資格がありません。
glS 2018年

@glSはHCの答えについてあなたに伝えたかっただけで、本当に興味深いように見えます(その論文について知らなかった場合に備えて)。あなたの参照と簡単な説明にも感謝します。もしあなたがいくつかの答えを詳しく説明したいなら、私はそれを
賛成して

回答:


4

ガウスプロセスは、ベイジアン最適化の中核となるモデル構築手順の主要なコンポーネントです。したがって、ガウスプロセスのトレーニングを高速化すると、ベイジアン最適化が直接強化されます。趙らによる最近の論文。上のアルガウスプロセスを訓練するための量子アルゴリズムは、 まさにこれを行います。


あなたの答えを補足するために、同じ著者が最近、ガウスプロセスの量子トレーニングを利用してディープラーニングアーキテクチャをトレーニングし、古典的なトレーニングに関する(理論的な)高速化を提供する新しい論文を発表しました
アレックス
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.