第六章量子机器学习
第六章 量子机器学习
6.1量子K-means算法 聚类算法是无监督学习算法中较为重要的一类。以 最普遍使用的k-means算法为例，该算法以距离的远 近作为样本相似性指标，即两个样本的距离越近相似 程度就越高。当遇到海量样本数据时，k-means算法存 在时间开销较大的缺点
6.1 量子 K-means 算法 聚类算法是无监督学习算法中较为重要的一类。以 最普遍使用的 k-means 算法为例，该算法以距离的远 近作为样本相似性指标，即两个样本的距离越近相似 程度就越高。当遇到海量样本数据时，k-means 算法存 在时间开销较大的缺点
Lloyd等人于2013年提出了量子版最近中心算法。量子 最近中心算法可视为经典k-means聚类算法的子过程， 使用该方法可对经典算法进行指数级提速。 Quantum algorithms for supervised and unsupervised machine learning Seth Lloyd,3,Masoud Mohseni2,Patrick Rebentrost 1.Massachusetts Institute of Technology,Research Laboratory for Electronics 2.Google Research 3.To whom correspondence should be addressed:slloyd@mit.edu
Lloyd 等人于 2013 年提出了量子版最近中心算法 。量子 最近中心算法可视为经典 k-means 聚类算法的子过程， 使用该方法可对经典算法进行指数级提速
量子最近中心算法的核心思想是对实向量间的距离作 比较，通过寻找向量u与集合{v}中的哪个量的距 离最近，从而不断分类，进而不断自动获得聚类结果， argminu-m'·∑v
量子最近中心算法的核心思想是对实向量间的距离作 比较，通过寻找向量 u 与集合 {v} 中的哪个量的距 离最近，从而不断分类，进而不断自动获得聚类结果
步骤 (1)将实向量u=(4o,41,,4n) 转换成量子 态W〉，从而将向量的距离比较转换成量子态间 的距离比较。 ）= u
步骤 （1）将实向量 转换成量子 态 ，从而将向量的距离比较转换成量子态间 的距离比较