Kann Quantencomputer das Bayes'sche Lernen beschleunigen?

Einer der größten Nachteile des Bayes'schen Lernens gegenüber dem Deep Learning ist die Laufzeit: Die Anwendung des Bayes'schen Theorems erfordert Kenntnisse über die Verteilung der Daten, und dies erfordert normalerweise entweder teure Integrale oder einen Stichprobenmechanismus (mit den entsprechenden Nachteilen).

Gibt es eine Möglichkeit, diese effizient durchzuführen, da es letztendlich um Verteilungsausbreitung geht und dies (soweit ich weiß) die Natur des Quantencomputers ist? Wenn ja, welche Einschränkungen gelten?

Bearbeiten ( direkt verwandte Links ):

machine-learning bayesian-learning

— fr_andres
quelle

Es wurde nicht viel daran gearbeitet (von dem ich weiß). Für Bayes'sche Netzwerke gibt es 1404.0055 , in denen der Autor eine Variation der Grover-Suche verwendet, um eine quadratische Beschleunigung zu erhalten. Zum verwandten Thema der Markov-Modelle gibt es auch einige Dinge, siehe Referenzen im Wiki und 1611.08104 . Ich bin jedoch nicht qualifiziert genug, um daraus eine Antwort zu erstellen.

— glS

@glS wollte dir nur von HCs Antwort erzählen, sieht wirklich interessant aus (falls du nichts über dieses Papier wusstest). Vielen Dank für Ihre Referenzen und kurze Erklärungen. Wenn Sie eine Antwort ausarbeiten möchten, werde ich sie gerne positiv bewerten

— fr_andres

Gaußsche Prozesse sind eine Schlüsselkomponente des Modellbildungsverfahrens im Kern der Bayes'schen Optimierung. Daher beschleunigt die Beschleunigung des Trainings von Gaußschen Prozessen direkt die Bayes'sche Optimierung. Das kürzlich erschienene Papier von Zhao et. al auf Quantenalgorithmen für die Ausbildung Gaußprozesse tut genau dies.

— hoffentlich kohärent
quelle

Um Ihre Antwort zu ergänzen, hat derselbe Autor kürzlich ein neues Papier veröffentlicht, in dem er das Quantentraining von Gaußschen Prozessen nutzt, um Deep-Learning-Architekturen zu trainieren und (theoretische) Beschleunigungen in Bezug auf klassisches Training bereitzustellen.

— Alex