양자 시각 특징 인코딩 재검토

양자 기계 학습이 도입된 지 좀 되었지만, 컴퓨터 비전에서의 응용은 여전히 제한적입니다. 따라서 이 논문은 양자 기계 학습의 초기 단계인 양자 시각 인코딩 전략을 재검토합니다. 근본 원인을 조사한 결과, 기존의 양자 인코딩 설계가 인코딩 과정 이후 시각 특징의 정보 보존을 보장하지 못해 양자 기계 학습 모델의 학습 과정을 복잡하게 만든다는 것을 발견했습니다. 특히 "양자 정보 격차"(QIG)라는 문제는 고전적인 특징과 해당 양자 특징 사이의 정보 격차를 초래합니다. 우리는 이 발견에 대한 이론적 증명과 실용적인 시연을 제공하며, QIG의 중요성을 강조합니다. 이는 양자 기계 학습 알고리즘의 성능에 직접적인 영향을 미치기 때문입니다. 이 문제를 해결하기 위해, 우리는 이 격차를 최소화하고 양자 기계 학습 알고리즘의 성능을 향상시키기 위한 간단하지만 효율적인 새로운 손실 함수인 양자 정보 보존(QIP)을 도입합니다. 광범위한 실험을 통해 우리의 접근법의 효과를 검증하며, 현재의 방법론에 비해 우수한 성능을 보여주고 양자 모델링에서 일관되게 최신 기술의 결과를 달성합니다.