On quantum ensembles of quantum classifiers
量子机器学习试图利用量子计算机的基本性质来增强机器学习技术。特定的框架使用叠加的量子特性来存储参数集，从而创建可以并行计算的量子分类器的集合。这个想法源于经典的集成方法，其中一个试图通过平均来自许多不同模型的结果来建立一个更强大的模型。在这项工作中，我们证明了量子分类器的量子系综的一个具体实现，称为精确加权量子系综，可以完全去量子化。另一方面，一般的量子系综框架包含著名的Deutsch-Jozsa算法，该算法显著地提供了量子加速，并为有用的量子系综创造了利用这种计算优势的潜力。
2020-01-29 quant-ph
Dissipative learning of a quantum classifier
本研究分析开放量子系统形式的量子分类器学习动力学，证明基于梯度下降的算法可成功训练该模型，并展示开发可微激活函数的潜力。
2023-07-23 quant-ph
Quantum classifiers for domain adaptation
迁移学习（TL）是机器学习的一个重要分支，旨在利用源领域的知识完成目标领域的任务。具体而言，有效的域自适应（DA）有助于交付TL任务，其中两个域的所有数据样本分布在相同的特征空间中。本文提出了两种量子实现的DA分类器与量子加速比相比，经典的DA分类器。基于量子基本线性代数子例程（QBLAS）的分类器的一个实现可以预测具有给定数据的数量和维度的对数资源的目标域数据的标签。另一个实现有效地完成DA任务，通过变分混合量子经典过程。
2021-10-06 quant-ph
Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches
获得实际优势的最有前途的研究领域之一是量子机器学习，它是量子计算和经典机器学习之间思想交叉的结果。在本文中，我们应用量子机器学习（QML）框架来改进金融数据集中普遍存在的噪声数据集的二进制分类模型。我们用于评估量子分类器性能的指标是受试者工作特征曲线下面积（ROC/AUC）。通过结合混合神经网络，参数电路和数据重新上传等方法，我们创建了QML启发的架构，并利用它们对非凸2维和3维图形进行分类。我们新的全混合分类器对现有的量子和经典分类器模型的广泛基准测试表明，与已知的量子分类器相比，我们的新模型对数据集中的非对称高斯噪声表现出更好的学习特性，并且对现有的经典分类器表现同样出色，在高噪声区域中的经典结果略有改善。
2021-11-05 quant-ph
Quantum Classifiers with Trainable Kernel
本文提出可训练量子特征映射和改进的量子支持向量机，以提升量子分类器性能并降低读出负担，同时构建量子迭代多分类器框架，仿真验证其分类准确性和可区分性优于现有方法。
2025-05-07 quant-ph
Dissipative realization of a quantum distance-based classifier using open quantum walks
Universidade Federal de Pernambuco（伯南布哥联邦大学）；Stellenbosch University（斯坦陵布什大学）
本文展示了在开放量子行走计算模型中运行先前提出的量子距离分类器的可行性，并证明其预期运行时间在较慢的 regime 中仍保持有限。
2026-03-18 quant-ph
Demonstration of a bosonic quantum classifier with data re-uploading
本研究提出适用于玻色系统的数据重上传量子分类器，基于硅光集成量子电路验证，原理实验分类复现率约94%，可推广至双模N光子系统，助力光量子分类器发展。
2022-07-14 quant-ph
Implementing a distance-based classifier with a quantum interference circuit
最近，人们对解决机器学习中模式识别任务的量子算法给予了很大的关注。许多量子机器学习算法试图在大规模通用量子计算机上实现经典模型，这些量子计算机可以访问非平凡的子程序，如哈密顿模拟，幅度放大和相位估计。我们从相反的方向来处理这个问题，并分析了一个基于距离的分类器，它是由一个简单的量子干涉电路实现的。在状态准备之后，电路仅由一个Hadamard门以及两个单量子比特测量组成，并以量子并行方式计算数据点之间的距离。我们使用IBM Quantum Experience演示了原理证明，并通过数值模拟分析了分类器的性能，表明它对简单的基准任务进行了惊人的分类。
2017-08-28 quant-ph
A steady state quantum classifier
我们报告说，在某些特定条件下，一个单一的量子比特模型弱相互作用的信息环境可以被称为量子分类器。我们利用完全正（CP）量子动力学映射的可加性和可分性，以获得一个开放的量子分类器。数值研究了系统对输入参数的稳态响应，发现稳态下的开放量子动力学响应对输入参数呈非线性作用。我们还证明了量子数据实例的线性分离，这反映了理想和实验条件下所提出的模型的功能的成功。指出超导电路是实现理论模型的物理模型，但可能存在缺陷。
2019-01-31 quant-ph
Hierarchical quantum classifiers
具有分级结构的量子线路已经被用于执行以量子态编码的经典数据的二进制分类。我们证明了在同一个家庭中，更多的表达电路实现更好的精度，并可以用来分类高度纠缠的量子态，没有已知的有效的经典方法。我们比较了两个经典的机器学习数据集，虹膜和MNIST，以及量子态的合成数据集上的几种不同的参数化的性能。最后，我们证明了性能对噪声具有鲁棒性，并在ibmqx4量子计算机上部署了Iris数据集分类器。
2018-12-27 quant-ph
A hybrid variational quantum circuit approach for stabilizer states classifiers
Laboratoire Interdisciplinaire Carnot de Bourgogne, UMR 6303 CNRS, University of Technology of Belfort-Montbéliard（贝尔福-蒙贝利亚尔技术大学）；Mathematics and Statistics Department, Auburn University（奥本大学）
本文提出利用变分量子电路方法对多体量子纠缠进行分类，针对四量子比特状态构建了分类器。
2026-04-02 quant-ph
Quantum-inspired classification based on quantum state discrimination
我们提出了量子启发的分类任务的启发问题的量子态歧视的算法。通过构造，这些算法可以执行多类分类，防止过拟合，并生成概率输出。虽然它们可以在量子计算机上实现，但我们在这里关注这些算法的经典实现。这些分类器的训练涉及半定规划。我们还提出了一个放松这些分类器，利用线性规划（但不能再被解释为一个量子测量）。此外，我们考虑一个分类器的基础上相当好的测量（PGM），并显示如何实现它使用一个模拟的所谓的内核技巧，这使我们能够研究其性能的任何数量的副本的输入状态。我们在MNIST和MNIST-1D数据集上对这些分类器进行了评估，发现PGM的性能通常优于其他量子分类器，并与标准分类器进行了比较。
2023-03-27 quant-ph
Analog quantum variational embedding classifier
提出一种基于模拟量子计算机的变分嵌入分类器，通过线性变换将经典数据编码为时变哈密顿量参数，利用量子态的非线性依赖实现分类，数值实验表明其在线性不可分数据集上达到经典最佳水平，且参数随量子比特数线性增长。
2023-05-09 quant-ph
Data re-uploading for a universal quantum classifier
单个量子位提供足够的计算能力，以构建一个通用的量子分类器时，与经典的子程序的辅助。这一事实可能令人惊讶，因为单个量子位仅提供两个状态的简单叠加，并且单量子位门仅在布洛赫球中旋转。规避这些限制的关键因素是允许多次数据重新上传。然后，一个量子线路可以被组织成一系列数据重新上传和单量子比特处理单元。此外，数据重新上传和测量都可以适应输入中的多个维度和输出中的几个类别，以符合通用量子分类器。将这一想法扩展到几个量子比特，提高了该策略的效率，因为纠缠扩展了与分类一起进行的叠加。对单量子比特和多量子比特量子分类器的不同示例进行的广泛基准测试验证了其描述和分类复杂数据的能力。
2020-06-04 quant-ph
Quantum classifier with tailored quantum kernel
核方法在机器学习中有广泛的应用。最近，量子计算和核理论之间的联系已经正式建立，为量子技术增强各种现有机器学习方法提供了机会。我们提出了一个基于距离的量子分类器，其核心是基于训练和测试数据之间的量子态保真度。量子核可以用量子线路系统地定制，以将核提升到任意幂并将任意权重分配给每个训练数据。给定一个特定的输入状态，我们的协议通过交换测试电路计算量子并行的量子数据的加权功率和，然后进行两次单量子比特测量，无论数据的数量如何，只需要恒定的重复次数。我们还表明，我们的分类器是等价于测量的期望值的Helstrom运营商，从著名的最佳量子态歧视可以得出。我们通过经典的模拟与现实的噪声模型和实验，使用IBM量子计算机证明的原则。
2020-03-23 quant-ph
Analysis and synthesis of feature map for kernel-based quantum classifier
开发了一种用于分析基于核的量子分类器的特征图的方法;也就是说，我们给出了一个计算精确训练精度下限的通用公式，这有助于我们查看所选择的特征图是否适合线性分离数据集。我们展示了这种方法的概念证明，用于一类2-qubit分类器，具有几个2维数据集。此外，提出了一种综合方法，该方法将不同的核组合在一起，以在更大的特征空间中构造性能更好的特征映射。
2020-08-17 quant-ph
Entanglement assisted training algorithm for supervised quantum classifiers
我们提出了一种新的监督量子分类器的训练算法。在这里，我们利用了量子纠缠的特性来构建一个模型，该模型可以同时操纵多个训练样本及其标签。随后，基于贝尔不等式的成本函数的构造，可以编码的错误，从多个样本，同时，在某种程度上是不可能的任何经典的手段。我们表明，在最小化这个成本函数，可以实现成功的分类基准数据集。本文给出的结果是针对二元分类问题的。然而，该分析也可以扩展到多类分类问题。
2020-09-22 quant-ph
Ensemble-learning error mitigation for variational quantum shallow-circuit classifiers
Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China（电子科技大学基础与前沿研究院）；The Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程学系）；Graduate School of China Academy of Engineering Physics（中国工程物理研究院研究生院）
本文提出两种集成学习误差缓解方法，用于提升变分量子浅层电路分类器在经典和量子数据集上的性能。
2023-03-04 quant-ph
Qiskit Variational Quantum Classifier on the Pulsar Classification Problem
本研究将变分量子分类器算法用于High Time Resolution Universe 2数据集的脉冲星分类，借助Qiskit Machine Learning对比不同特征选择、数据规模、编码方式及拟设下的模型性能，探索量子机器学习在天体物理分类任务中的应用。
2025-05-21 quant-ph
Compact quantum kernel-based binary classifier
量子计算为基于内核的机器学习方法提供了令人兴奋的机会，这些方法在数据分析中具有广泛的应用。最近的工作表明，量子计算机可以有效地构建一个分类器的模型，通过工程量子干涉效应并行执行内核评估。对于这些量子机器学习方法的实际应用，一个重要的问题是最小化量子线路的尺寸。我们提出了最简单的量子线路，用于构建基于核的二元分类器。这是通过将干涉电路一般化以在量子态的相对相位中编码数据标签并且通过引入紧凑幅度编码来实现的，紧凑幅度编码将两个训练数据向量编码到一个量子寄存器中。当与最简单的已知量子二元分类器相比时，量子比特的数量减少了两个，并且步骤的数量相对于训练数据的数量线性减少。将前一种方法中需要后选择的双量子比特测量简化为单量子比特测量。此外，最终的量子态具有更小的纠缠量比以前的方法，这提倡我们的方法的成本效益。我们的设计还提供了一种简单的方法来处理不平衡的数据集，这在许多机器学习问题中经常遇到。
2022-07-15 quant-ph
Towards a dissipative quantum classifier
本文提出一种基于耗散工程的量子分类器，利用中心自旋-量子比特模型将经典数据编码到无退相干子空间，并通过训练耗散和耦合实现类似神经网络的分类任务。
2024-09-05 quant-ph
Polyadic Quantum Classifier
我们在这里介绍了一个监督量子机器学习算法的多类分类NISQ架构。训练参量量子线路以输出对应于输入数据点的类别的特定比特串。我们在IBMq 5-qubit量子计算机上对其进行了训练和测试，与经典的机器学习模型相比，该算法在Iris数据集的三元分类和XOR问题的扩展方面表现出良好的准确性。此外，我们评估与模拟如何的算法票价分别为一个二进制和四进制分类。已知的二进制数据集和合成数据集。
2020-07-28 quant-ph
Recent advances for quantum classifiers
Tsinghua University（清华大学）；Shanghai Qi Zhi Institute（上海期智研究院）
机器学习在广泛的应用中取得了巨大的成功。它与量子物理学的相互作用可能会为基础研究和商业应用带来前所未有的前景，从而引发量子机器学习的新兴研究前沿。沿着这条线，量子分类器，这是旨在解决机器学习中分类问题的量子设备，最近引起了极大的关注。本文对量子分类器的研究进行了较为全面的综述，重点介绍了近年来的研究进展。首先，我们将回顾一些量子分类算法，包括量子支持向量机，量子核方法，量子决策树分类器，量子最近邻算法和量子退火分类器。然后，我们继续介绍变分量子分类器，它本质上是用于分类的变分量子线路。我们将回顾用于构建变分量子分类器的不同架构，并介绍贫瘠高原问题，其中量子分类器的训练可能会受到指数消失梯度的阻碍。此外，还将讨论量子分类器在对抗学习环境中的脆弱性以及不同量子分类器的最新实验进展。
2021-10-05 cs.LG quant-ph
Generating quantum feature maps for SVM classifier
本文提出并比较了两种用于量子增强支持向量机的量子特征映射的生成方法。量子增强支持向量机是一种基于核方法的分类器，可以有效地访问高维Hilbert空间。第一种方法是采用惩罚法的多目标适应度函数的遗传算法，该算法结合了最大化分类精度和最小化量子特征映射电路的门代价。第二种方法采用变分量子线路，重点研究如何构造基于酉矩阵分解的量子电路。数值结果和比较表明，如何适应度函数降低门成本，同时保持高精度和通过酉矩阵导电电路获得更好的性能。特别是，我们提出了一些想法，减少和优化门电路的成本，同时保持完美的精度。
2022-09-25 quant-ph
Experimental investigation of single qubit quantum classifier with small number of samples
该研究在硅光子集成电路上实验探究单量子比特量子分类器在光子受限条件下的性能，采用数据重上传与SMO分层优化，少光子样本下仍实现高准确率，验证其资源高效可行性。
2025-07-07 quant-ph
Divide et impera: hybrid multinomial classifiers from quantum binary models
Università degli Studi di Pavia（帕维亚大学）；INFN Sezione di Pavia（意大利国家核物理研究所帕维亚分部）；Massachusetts Institute of Technology（麻省理工学院）
本文研究如何将多个量子二元模型组合成多项式分类器，采用一 vs 一、一 vs 其余和二元决策树等策略，通过比较计算开销和量子优势，证明决策树是一种高效方案，能以对数开销实现与其它方法相似的准确性。
2026-04-09 quant-ph
Realizing Quantum Adversarial Defense on a Trapped-ion Quantum Processor
本研究在离子阱量子处理器上实现了基于数据重新上传的单量子比特量子分类器，提出新型卷积架构并在MNIST数据集上验证了其对对抗攻击和极化噪声的卓越鲁棒性。
2025-03-04 quant-ph
Training a Binary Classifier with the Quantum Adiabatic Algorithm
本文描述了如何使二进制分类问题适合于量子计算。一个配方，其中的二元分类器被构造为一组弱分类器的阈值线性叠加。叠加中的权重在学习过程中被优化，该学习过程努力使训练误差以及所使用的弱分类器的数量最小化。对于这个问题没有有效的解决方案是已知的。为了将其带入允许绝热量子计算（AQC）应用的格式中，我们首先表明，权重需要表示的位精度仅随训练示例的数量与弱分类器的数量的比率而几何地增长。这允许将训练过程有效地公式化为二元优化问题。解决它与启发式求解器，如禁忌搜索，我们发现，由此产生的分类优于广泛使用的最先进的方法，AdaBoost，在各种基准问题。此外，我们发现了一个有趣的事实，即位约束学习机通常具有较低的泛化错误率。将测量训练误差的损失函数从0-1损失更改为最小二乘，将训练映射为二次无约束二进制优化。这对应于D-Wave实现AQC所需的格式。使用启发式求解器的模拟再次产生比使用boosting方法获得的结果更好的结果。由于所得到的二次二进制程序是NP难的，因此可以预期应用实际的量子处理器可以获得额外的增益。
2008-11-04 quant-ph
Multi-class quantum classifiers with tensor network circuits for quantum phase recognition
基于变分电路的量子-经典混合算法是解决近期器件量子机器学习问题的一种很有前途的方法，但变分电路的选择是一个悬而未决的问题。最近，张量网络启发的电路已被提出作为这种anatomy的自然选择。他们在二元分类任务中的就业提供了令人鼓舞的结果。然而，它们在更困难的任务上的有效性仍然是未知的。在这里，我们提出了基于树张量网络和多尺度纠缠重整化电路的多类分类器的数值实验。我们使用MNIST数据集进行了图像分类实验，并通过Cirq和TensorFlow Quantum使用XXZ模型进行了量子相位识别实验。在前一种情况下，我们将类的数量减少到四个，以匹配基于2个量子位的目标输出。XXZ模型的量子数据由三类基态组成，这些基态由用于变分量子本征求解器的棋盘电路准备，对应于三个不同的量子相位。测试准确率分别为59%-93%和82%-96%，这取决于模型架构和预处理类型。
2021-10-15 quant-ph
Information and reference requirements for auditing collider classifiers
Faculty of Engineering, University of Deusto（德乌斯托大学工程学院）
针对对撞机系统误差与量子估计不确定性，开发了故障关闭型量子分类器审计框架，在希格斯对撞机基准测试中验证了有限次量子采样会影响分类器指标，且无量子优势。
2026-11-02 quant-ph
Variational quantum classifiers via a programmable photonic microprocessor
针对量子计算面临的噪声与量子比特能力有限等挑战，本研究结合变分量子算法，利用硅基量子光子微处理器与经典计算机实现变分量子分类器，在非线性分类任务中展现出良好性能，为量子优势的实现提供了可行方案。
2024-12-06 quant-ph
Attribute Fusion-based Evidential Classifier on Quantum Circuits
本文发现布尔代数连接DST与量子计算，据此建立统一框架将DST操作映射到量子电路实现指数加速，并基于属性融合提出量子证据分类器，将复杂度降至线性。
2024-01-02 quant-ph
Quantum-inspired Minimum Distance Classification in Biomedical Context
我们通过提出广泛使用的最小距离分类器（即最近均值分类器（NMC））的量子启发版本来面对模式分类的问题[31，33，28，27]，并通过在生物医学背景下应用这种量子启发分类器。特别是，我们展示并比较了NMC和我们的量子模型性能，以解决与特发性肺纤维化（IPF）患者生存概率分类相关的问题。
2018-03-07 quant-ph
Circuit-centric quantum classifiers
当前一代的量子计算技术要求量子算法需要有限数量的量子比特和量子门，并且对错误具有鲁棒性。一种合适的设计方法是变分电路，其中门的参数是学习的，这种方法在机器学习中的应用特别富有成效。在本文中，我们提出了一个低深度的变分量子算法的监督学习。输入特征向量被编码为量子系统的振幅，并且参数化单量子位和双量子位门的量子线路以及单量子位测量用于对输入进行分类。该电路架构确保可学习参数的数量在输入维度上是多对数的。我们提出了一个量子经典训练方案，其中模型的分析梯度可以通过运行几个稍微适应版本的变分电路来估计。我们通过模拟表明，以电路为中心的量子分类器在标准经典基准数据集上表现良好，同时需要比其他方法少得多的参数。我们还评估敏感性的分类状态准备和参数噪声，引入量子版本的辍学正则化和提供一个图形表示的量子门高度对称的线性层的神经网络。
2018-04-02 quant-ph
Comparative Analysis of Quantum Support Vector Machines and Variational Quantum Classifiers for B-cell Epitope Prediction in Vaccine Design
本研究对比了疫苗设计中用于B细胞表位预测的量子支持向量机（QSVM）与变分量子分类器（VQC），发现QSVM适用于有限数据，VQC在大数据集准确率更高，为量子增强模型助力表位基疫苗开发提供了依据。
2025-04-15 quant-ph
Towards Ultimate Accuracy in Quantum Multi-Class Classification: A Trace-Distance Binary Tree AdaBoost Classifier
Tsinghua University（清华大学）；Southwest Jiaotong University（西南交通大学）
本研究提出一种基于轨迹距离二叉树AdaBoost的量子多类分类器，通过集成学习和量子感知降维提升训练效率与资源利用率，实现高精度和鲁棒性的多类量子机器学习。
2026-02-02 quant-ph
Characterizing quantum pseudorandomness by machine learning
孤立量子系统中的随机动力学在量子信息中具有实际应用，并且在基础物理学中具有理论意义。尽管有大量的理论研究，它还没有解决如何随机动力学可以从实验数据进行验证。本文基于随机动力学的信息论公式，即，酉$t$ -设计，我们提出了一种方法来验证随机动力学的数据是实验上容易访问。更具体地说，我们使用测量概率估计的有限数量的测量量子态产生的一个给定的随机动力学。基于监督学习方法，我们构造了随机动力学的分类器，并表明分类器成功地描述了随机动力学。然后，我们将分类器应用到本地随机电路（LRC），这是典型的量子线路与日益增长的电路复杂性所产生的数据集，并表明分类器成功地表征了增长的功能。我们进一步将分类器应用于有噪声的LRC，显示使用它们来验证有噪声的量子设备的可能性，并监测LRC，表明测量引起的相变可能不直接与随机性。
2022-10-11 quant-ph
The Robustness Verification of Linear Sound Quantum Classifiers
Shandong University（山东大学）
针对一类线性声音量子分类器的鲁棒性验证问题，提出了一种快速可靠的方法。由于量子机器学习已经在相关领域得到了应用，而线性声性质、LSP是一种普遍存在的性质，因此该方法具有普遍适用性。我用量子卷积神经网络QCNN使用华为的MindQuantum实现了我的方法，并成功验证了它在分类MNIST数据集时的鲁棒性。
2023-03-09 cs.AI quant-ph
A quantum collisional classifier driven by information reservoir
研究了探测量子比特与不同的承载量子信息的量子比特环境弱相互作用的开放动力学。结果表明，在Bloch量子比特参数空间中，基于耦合率，所提出的耗散模型对稳态下的库量子比特的量子信息进行了二元分类.为了描述耗散模型的动力学，我们采用了碰撞模型，其中库量子比特的输入信息参数很容易确定。我们开发了一个广义的分类规则的基础上的微脉泽主方程的分类可以描述的布洛赫参数的结果。此外，我们表明，建议的分类方案也可以通过量子参数估计。最后，我们证明了所提出的耗散分类方案适用于基于梯度下降的监督学习任务。
2022-11-29 quant-ph
From hyperplanes to hyperellipsoids: a pedagogical bridge from linear classifiers to single-qubit mixed-state classifiers
QodeX Quantum（QodeX量子公司）
研究监督二元分类中标准线性模型与单量子比特混合态模型的内在可解释性，通过比较发现单量子比特混合态模型是标准线性模型的“椭球体版本”，讨论了模型偏差影响，为无量子背景读者提供量子机器学习思路助力教学。
2026-10-14 cs.LG quant-ph
Quantum One-class Classification With a Distance-based Classifier
Centro de Informática Universidade Federal de Pernambuco（伯南布哥联邦大学信息中心）；Departamento de Estatística e Informática Universidade Federal Rural de Pernambuco（伯南布哥联邦农村大学统计与信息学系）
量子计算技术的进步为在实际量子设备中执行算法带来了可能性。然而，当前量子硬件中存在的错误和可用量子位的数量较少，使得有必要使用使用更少量子位和更少操作的解决方案，以减轻这些障碍。Hadamard Classifier（HC）是一种基于距离的量子机器学习模型，用于模式识别。我们提出了一种新的分类器，基于HC命名为量子一类分类器（QOCC），它由一个最小的量子机器学习模型组成，具有更少的操作和量子位，从而能够减轻NISQ（Noisy Intermediate-Scale Quantum）计算机的错误。实验结果表明，QOCC算法优于HC算法。
2021-05-06 cs.LG quant-ph
Dementia Prediction Applying Variational Quantum Classifier
痴呆症是全球第五大死亡原因，每年有1000万新病例。使用机器学习技术的医疗保健应用几乎达到了物理极限，而由于诊断率的提高，更多的数据变得可用。最近对量子机器学习（QML）技术的研究发现了不同的方法，这些方法可能有助于加速现有机器学习模型的训练过程，并提供了学习更复杂模式的替代方案。这项工作的目的是报告量子机器学习算法的实际应用，特别是，我们发现，使用IBM的框架Qiskit中的变分量子分类（VQC）的实现版本可以预测老年患者的痴呆症，与使用不同数量特征的线性核的经典支持向量机（SVM）相比，这种方法证明可以提供更一致的结果。
2020-07-14 quant-ph
Tree tensor network classifiers for machine learning: from quantum-inspired to quantum-assisted
我们描述了一种量子辅助机器学习（QAML）方法，其中多变量数据被编码为Hilbert空间中的量子态，该空间的维度在数据向量的长度上是指数级的。通过应用具有树张量网络（TTN）拓扑的低深度量子线路来进行该空间中的学习，该拓扑充当无监督特征提取器，以数据驱动的方式识别最相关的量子态。这个无监督的特征提取器然后馈送有监督的线性分类器并将输出编码在小维度量子寄存器中。与以前的工作相比，\emph{quantum-inspired} TTN分类器，其中嵌入映射和类决策权重没有将数据映射到定义良好的量子态，我们提出了一种方法，可以实现基于门的量子计算设备。特别地，我们识别具有类似于指数机器（Novikov \emph{et al.}，arXiv：1605.03795）的精度的嵌入映射，但是其从经典数据向量产生有效的量子态，并且利用基于流形的梯度优化方案来产生将量子态映射到定义类别判定的量子位寄存器的等距运算。我们详细的方法，有效地获得一个和两个点的关联函数的量子模型的决策边界向量，这可以用于模型的可解释性，以及从部分数据向量获得分类的方法。此外，我们表明，等距张量的使用可以显着帮助人类的可解释性的关联函数提取的决策权重，并可能产生的模型，是不太容易受到对抗性扰动。我们证明了我们的方法在应用程序中利用MNIST手写数字数据集和人类活动识别的多变量时间序列数据集。
2021-04-06 quant-ph
Continuous Variable Quantum MNIST Classifiers
Portland State University（波特兰州立大学）
在本文中，经典和连续变量（CV）量子神经网络混合多重分类器使用MNIST数据集。CV模型中的截止维数和概率测量方法的组合允许量子线路产生大小等于n的n次幂的输出矢量，其中n表示截止维数，m表示qumode的数量。然后将它们转换为独热编码标签，并填充适当数量的零。总共八个不同的分类器是使用2，3，. 8 qumodes，基于连续变量量子神经网络中提出的二元分类器架构。CV模型中的位移门和克尔门允许经典神经网络的偏置和非线性激活分量量子化。分类器由经典的前馈神经网络、量子数据编码电路和CV量子神经网络电路组成。在截断的600个样本的MNIST数据集上，4 qumode混合分类器实现了100%的训练准确率。
2022-04-04 cs.LG quant-ph
Physics-Informed Variational Quantum Classifier for Phase Detection in Strongly Correlated Matter
Instituto de Física Corpuscular, Universitat de València – Consejo Superior de Investigaciones Científicas（瓦伦西亚大学-西班牙国家研究委员会粒子物理研究所）；Escuela de Ciencias, Ingeniería y Diseño, Universidad Europea de Valencia（瓦伦西亚欧洲大学科学与工程设计学院）；Facultat de Física, Universitat de València（瓦伦西亚大学物理学院）
提出物理信息变分量子分类器，通过Trotter化有效哈密顿量的时间演化检测费米极化子准粒子与分子束缚态之间的拓扑相变，并在超导量子处理器上验证其可扩展性。
2026-09-23 quant-ph
Quantum Bayes Classifiers and Their Application in Image Classification
本文提出朴素及半朴素量子贝叶斯分类器，结合局部特征采样降低计算复杂度，在 MNIST 和 Fashion-MNIST 上验证了其以有限属性取得优于经典贝叶斯网络和量子神经网络的分类准确率。
2024-03-29 quant-ph
Variational quantum one-class classifier
本文提出变分量子单类分类器（VQOCC），通过训练全参数化量子自编码器实现无需解码的单类分类，在保持参数数量仅随数据规模对数增长的同时，性能与经典方法相当且多数情况下优于深度卷积自编码器。
2022-10-06 quant-ph
PdrQC: Pauli-space Discriminative Representations based Quantum Classifier
Nanjing University of Posts and Telecommunications（南京邮电大学）
PAPUS通过动态调整电路复杂度，利用低权重泡利特征实现多类量子分类，在9个数据集474个任务中平衡了预测性能与执行成本，优于传统基线方法。
2026-08-11 quant-ph
Training a Large Scale Classifier with the Quantum Adiabatic Algorithm
在以前的出版物中，我们提出了离散的全局优化作为一种方法来训练一个强的二元分类器构建为一个阈值和弱分类器。我们的动机是将分类器的训练转换为适合量子绝热算法解决的格式。应用绝热量子计算（AQC）有望产生优于经典启发式求解器的解决方案。有趣的是，我们发现通过使用启发式求解器来获得近似解，我们已经可以获得比标准方法AdaBoost更大的优势。在这次交流中，我们将基线方法推广到大规模分类器训练。大规模是指候选弱分类器的字典的基数或强分类器中使用的弱学习器的数量超过了在单个全局优化中可以有效处理的变量的数量。对于这种情况下，我们提出了一种迭代和分段的方法，其中弱分类器的一个子集，在每次迭代中选择通过全局优化。然后通过连接弱分类器的子集来构造强分类器。我们在数值研究中表明，广义方法再次成功地与AdaBoost竞争。我们还提供了理论论据，为什么提出的优化方法，它不仅最大限度地减少经验损失，而且还增加了L0-范数正则化，是优于版本的提升，只有最小化的经验损失。通过进行量子蒙特卡罗模拟，我们收集的证据表明，量子绝热算法能够有效地处理一般的训练问题。
2009-12-04 cs.LG quant-ph
Trainable Discrete Feature Embeddings for Variational Quantum Classifier
The University of Tokyo（东京大学）；Keio University（庆应义塾大学）；IBM Japan（IBM日本）
量子分类器在希尔伯特空间中提供输入数据的复杂嵌入，有希望获得量子优势。这种优势源于量子特征映射，它利用变分量子线路将输入编码为量子态。最近的一项工作展示了如何使用量子随机访问编码（QRAC）来映射具有更少量子比特的离散特征，QRAC是将二进制字符串编码为量子态的重要原语。我们提出了一种新的方法，嵌入离散特征与可训练的量子线路相结合的QRAC和最近提出的策略训练量子特征映射称为量子度量学习。我们表明，所提出的可训练嵌入不仅需要像QRAC一样少的量子比特，而且还克服了QRAC对基于硬布尔函数的输入进行分类的局限性。我们在数值上证明了它在变分量子分类器中的使用，以在分类真实世界数据集时实现更好的性能，从而有可能利用近期量子计算机进行量子机器学习。
2021-09-05 cs.LG quant-ph
Entanglement Classifier in Chemical Reactions
自从Einstein，Podolsky和Rosen的开创性工作（EPR-佯谬）出现以来，作为经典物理与量子物理的本质区别的纠缠现象受到了理论和实验的广泛关注。近年来，随着量子隐形传态、量子通信、量子密码学和量子计算等技术的发展，人们对量子纠缠的理解和产生了极大的兴趣。虽然大部分的工作都集中在证明纠缠违反了著名的贝尔不等式及其离散测量的推广，但最近很少有人尝试关注连续测量结果。在这里，我们已经开发了一个通用的实用不等式来测试纠缠的连续测量结果，特别是散射的化学反应。在我们解释了如何在散射实验中实现这个新的不等式来分类纠缠之后，我们提出了一个特定的化学反应来测试这个不等式的违反。该方法具有通用性，可用于连续测量结果的纠缠分类。
2019-04-01 quant-ph
Quantum ensembles of quantum classifiers
National Institute for Theoretical Physics（国家理论物理研究所）
量子机器学习见证了越来越多的量子算法用于数据驱动的决策，这是一个潜在应用的问题，从自动图像识别到医疗诊断。这些算法中的许多都是量子分类器的实现，或者是用量子计算机对数据输入进行分类的模型。基于经典机器学习中集合决策的成功，本文引入了量子分类器的量子集合的概念。创建系综对应于状态准备例程，之后并行评估量子分类器，并通过单量子比特测量访问它们的组合决策。这个框架自然允许指数级的大集合，其中-类似于贝叶斯学习-单个分类器不必进行训练。作为一个例子，我们分析了一个指数级大的量子系综，其中每个分类器根据其在分类训练数据时的性能进行加权，从而为量子和经典机器学习带来新的结果。
2017-04-07 cs.LG math.ST quant-ph
Universal expressiveness of variational quantum classifiers and quantum kernels for support vector machines
University of British Columbia（不列颠哥伦比亚大学）；Technische Universität Darmstadt（达姆施塔特工业大学）；Stewart Blusson Quantum Matter Institute（斯图尔特·布吕松量子物质研究所）
机器学习被认为是量子计算最有前途的应用之一。因此，寻找具有量子优势的量子机器学习模型是一个重要的研究目标。在这里，我们表明，变分量子分类器和支持向量机与量子内核可以解决分类问题的基础上的$k$ -Forrelation问题，这是已知的PromiseBQP-完成。由于PromiseBQP复杂性类包括所有有界误差量子多项式时间（BQP）决策问题，我们的研究结果意味着存在一个特征映射和一个量子核，使变分量子分类器和量子核支持向量机有效解决任何BQP问题。因此，这项工作意味着它们的特征映射和量子内核可以分别被设计为对于任何分类问题都具有量子优势，这些问题不能在多项式时间内经典地解决，但相反可以通过量子计算机解决。
2023-02-09 cs.LG quant-ph
Quantum Surrogate-Driven Image Classifier: A Gradient-Free Approach to Avoid Barren Plateaus
本文提出一种无梯度量子代理驱动框架，通过经典神经代理预测测量结果并利用辅助量子比特重置引入非酉性，在多个图像分类数据集上以15量子比特电路超越直接梯度QNN和经典基线，同时缓解贫瘠高原问题。
2025-05-08 quant-ph
