Kvantové shlukování - Quantum clustering
![]() | tento článek může být pro většinu čtenářů příliš technická na to, aby je pochopili. Prosím pomozte to vylepšit na aby to bylo srozumitelné pro neodborníky, aniž by byly odstraněny technické podrobnosti. (Září 2020) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) |
Kvantové shlukování (QC), je a shlukování dat algoritmus je dosažen dosazením každého bodu v dané datové sadě za Gaussian. Šířka Gaussian je a hodnota sigma, a hyperparametr které lze ručně definovat a manipulovat tak, aby vyhovovaly aplikaci. Přechodový sestup se pak používá k „přesunu“ bodů na jejich místní minima. Tyto místní minima poté definujte centra klastrů. Kromě toho nebyla QC hodnocena proti tradičním moderním klastrovacím algoritmům Jaccard bodování. QC se zatím nepodařilo vytvořit separace s dostatečnými rozptyly, které by bylo možné využít ve velkém měřítku.
Přibližné kvantové shlukování
Aproximativní kvantové shlukování (AQC) se pokouší zkrotit část výpočetní složitosti QC snížením povoleného počtu Gaussianů v dané oblasti. Pokud je pixel fyzickým bodem ve vykreslování, který představuje nejmenší adresovatelný prvek (pix, pro obrázky, el pro prvek), pak a voxel je trojrozměrná verze pixelu (vox pro objem, el pro prvek). I když jsou tyto voxely jednotné v prostoru, který představují, nemusí být ve svém obsahu homogenní. Jakmile je stanoven objem voxelu, AQC omezuje povolený počet Gaussianů na maximálně jeden na voxel. Ve srovnání s kvadratickými omezeními QC má AQC tu výhodu, že omezuje výpočetní složitost na O (n * p), kde n představuje počet Gaussianů a p představuje počet datových bodů.
Omezující chování
Tradiční přístupy k QC inklinují ke kvadratickému Ó (n ^ 2), zatímco řešení v hluboké učení jsou nutně lineárně omezeny z důvodu rozsahu a složitosti: O (n).
S možnou výjimkou algoritmů kvantového klastrování založených na vzdálenosti od exponentů mnoho řešení QC stále vyžadovalo předzpracování dat (primárně čištění k vyřešení šumu, artefakty, mezery mezi sloupci a výměna). Tento krok předzpracování, i když bude úspěšný, by zavedl vlastní zkreslení dat tím, že by poškodil úplnou bohatost datové sady.
Dynamické kvantové shlukování
Vyvinul David Horn a Marvin Weinstein v roce 2009, Dynamic Quantum Clustering (DQC) přistupuje k problému složitosti z jiného okruhu než AQC. Pomocí matematické zkratky ke zjednodušení sestupného přechodu obsahuje také schopnost blízkých bodů v sousedních místních minimech „tunelovat“ a vyřešit jeden klastr. Hyperparametr tunelování určuje, zda bude datový bod „tunelovat“ na základě šířky Gaussian či nikoli.
Reference
- Brooke, J; Bitko, D .; Rosenbaum, T. F; Aeppli, G. (1999) Kvantové žíhání neuspořádaného magnetu
- Farhi, E .; Goldstone, J .; Gutmann, S .; Sipser, M. (2000) Kvantový výpočet adiabatickou evolucí
- Kaminsky, W. M .; Lloyd, S .; Orlando, T. P. (2004) Škálovatelná supravodivá architektura pro adiabatický kvantový výpočet
- Yao, Z .; Peng, W .; Gao-yun, C .; Dong-Dong, C .; Rui, Ding; Yan, Z (2008) Algoritmus kvantového shlukování založený na měřicí vzdálenosti exponenta
- Horn, D .; Gottlieb, A. (2002) Algoritmus pro shlukování dat v problémech rozpoznávání vzorů na základě kvantové mechaniky
- Weinstein, M .; Horn, D. (2009) Dynamické kvantové shlukování: metoda vizuálního průzkumu struktur v datech
- Scott, T.C., Therani, M., Wang X.M. (2017) Shlukování dat s kvantovou mechanikou, Mathematics, roč. 5, č. 5, s. 1-17.