Dapatkah komputasi kuantum mempercepat pembelajaran Bayesian?

Salah satu kelemahan terbesar dari pembelajaran Bayesian terhadap pembelajaran dalam adalah runtime: menerapkan teorema Bayes membutuhkan pengetahuan tentang bagaimana data didistribusikan, dan ini biasanya membutuhkan integral yang mahal atau mekanisme pengambilan sampel (dengan kelemahan yang sesuai).

Karena pada akhirnya adalah semua tentang penyebaran distribusi, dan ini (sejauh yang saya mengerti) sifat komputasi kuantum, adakah cara untuk melakukan ini secara efisien? Jika ya, batasan apa yang berlaku?

Edit ( tautan terkait langsung ):

machine-learning bayesian-learning

— fr_andres
sumber

Belum ada banyak pekerjaan dalam hal ini (yang saya tahu). Untuk jaringan Bayesian, ada 1404.0055 , di mana penulis menggunakan variasi pencarian Grover untuk mendapatkan percepatan kuadratik. Pada topik terkait Model Markov ada juga beberapa hal, lihat referensi di wiki dan 1611.08104 . Saya tidak cukup berkualitas untuk membangun jawaban dari ini.

— glS

@ GLS hanya ingin memberi tahu Anda tentang jawaban HC, terlihat sangat menarik (jika Anda tidak tahu tentang makalah itu). Terima kasih banyak untuk referensi dan penjelasan singkat Anda juga, jika Anda ingin menjelaskan beberapa jawaban, saya akan senang untuk

— mengunggahnya

Proses Gaussian adalah komponen kunci dari prosedur pembangunan model sebagai inti dari Optimasi Bayesian. Oleh karena itu mempercepat pelatihan proses Gaussian secara langsung meningkatkan Bayesian Optimization. Makalah baru-baru ini oleh Zhao et. al pada algoritma Quantum untuk pelatihan Proses Gaussian melakukan hal ini.

— semoga koheren
sumber

Hanya untuk melengkapi jawaban Anda, penulis yang sama baru -baru ini menerbitkan sebuah makalah baru di mana mereka menggunakan pelatihan kuantum Proses Gaussian untuk melatih arsitektur pembelajaran yang mendalam, memberikan percepatan (teoritis) sehubungan dengan pelatihan klasik.

— Alex