CN117475171B - 多视图特征提取方法、系统、电子设备及存储介质 - Google Patents
多视图特征提取方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117475171B CN117475171B CN202311827638.8A CN202311827638A CN117475171B CN 117475171 B CN117475171 B CN 117475171B CN 202311827638 A CN202311827638 A CN 202311827638A CN 117475171 B CN117475171 B CN 117475171B
- Authority
- CN
- China
- Prior art keywords
- matrix
- quantum
- sub
- data
- feature extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 195
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 571
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 163
- 230000001133 acceleration Effects 0.000 claims abstract description 106
- 238000004088 simulation Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 32
- 238000002360 preparation method Methods 0.000 claims description 20
- 239000002096 quantum dot Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 229940050561 matrix product Drugs 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供一种多视图特征提取方法、系统、电子设备及存储介质,涉及数据处理技术领域,该方法包括:将多个视图数据对应的数据矩阵存储至量子随机存储器,产生数据矩阵对应的量子态;基于数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;根据多个子矩阵分块编码,构建目标矩阵的分块编码,并基于最优哈密顿量模拟和目标矩阵的分块编码,对目标矩阵进行量子模拟得到对应的酉矩阵;根据相位估计算法和酉矩阵,对目标矩阵的特征信息进行提取,得到多个视图数据对应的低维表示数据。本发明提高了多视图特征提取过程的效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种多视图特征提取方法、系统、电子设备及存储介质。
背景技术
在大数据时代,随着收集数据信息的渠道增多,数据特征常从不同的视角进行提取,以更加全面详细地描述数据特征,例如,网络浏览页面可以用超链接和文本内容分别描述,从而涌现了多视图数据,即以多种方式获得对同一目标对象的特征。目前,多视图数据已经被广泛应用在各个领域,比如,多视图聚类和多视图特征提取。
在实际应用中,很多样本数据常处在高维空间中,例如,图像分类领域。为了克服“维度灾难”,需要从高维多视图数据中提取低维多视图数据。一旦获得了这些多视图低维数据,即可被用来做多视图聚类和多视图图像分类等。
然而,当处理海量高维数据时,相关技术的复杂度对当前计算机的计算性能提出了严峻的考验,导致多视图特征提取效率较低。因此,现在亟需一种多视图特征提取方法、系统、电子设备及存储介质来解决上述问题。
发明内容
针对现有技术存在的问题,本发明提供一种多视图特征提取方法、系统、电子设备及存储介质。
本发明提供一种多视图特征提取方法,包括:
获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态;
基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;
根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归的所述目标矩阵进行量子模拟,得到对应的酉矩阵;
根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据。
根据本发明提供的一种多视图特征提取方法,在所述将所述数据矩阵存储至量子随机存储器之后,所述方法还包括:
基于所述量子随机存储器,对所述数据矩阵进行酉操作,得到所述量子随机存储器中所述数据矩阵对应的量子态,所述酉操作包括第一酉操作和第二酉操作/>,其中,所述第一酉操作/>用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的行指标/>,输出对应的量子态/>;所述第二酉操作/>用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的列指标/>,输出每一行元素的模长;
所述第一酉操作具体为:
所述第二酉操作具体为:
其中,表示第/>个视图数据的第/>个数据点,/>;/>表示第/>个视图数据中每个数据点的数据维度,/>表示第/>个视图数据的第/>个数据点/>的第/>个元素,/>表示/>个视图数据对应的所述数据矩阵。
根据本发明提供的一种多视图特征提取方法,在所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态之前,所述方法还包括:
判断所述数据矩阵中的各个数据点是否为单位向量,若不是,基于预处理过程,将数据点转换为单位向量。
根据本发明提供的一种多视图特征提取方法,在所述基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码之前,所述方法还包括:
基于经典多视图特征提取加速交叉回归算法,根据所述数据矩阵和所述数据矩阵对应的排列矩阵,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵:
其中,表示所述多视图特征提取量子加速交叉回归算法的所述目标矩阵,/>表示正则化参数,/>表示总共有/>个视图数据,/>表示/>个视图数据对应的单位矩阵,/>表示所述数据矩阵对应的排列矩阵/>;
将所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行拆分,得到第一子矩阵、第二子矩阵和第三子矩阵/>,其中,所述第一子矩阵包括子矩阵/>和子矩阵/>。
根据本发明提供的一种多视图特征提取方法,所述根据所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码,包括:
根据密度算子的分块编码和所述第一子矩阵,分别构建第一子矩阵分块编码和第二子矩阵分块编码/>,其中,/>表示每一个视图数据对应的数据矩阵有/>个数据点;
基于哈德玛量子门和受控非门量子门,根据所述密度算子的分块编码和所述第二子矩阵,构建第三子矩阵分块编码/>;
对所述第二子矩阵分块编码和所述第三子矩阵分块编码/>进行分块编码算子的线性组合,构建第四子矩阵分块编码/>,其中,/>;
根据块对角矩阵的分块编码和所述第四子矩阵分块编码,构建第五子矩阵分块编码/>;
根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码,构建第六子矩阵分块编码/>;
基于预设酉算子,根据所述第三子矩阵,构建所述第三子矩阵/>的分块编码;基于所述预设酉算子,根据所述第三子矩阵/>的转置,构建所述第三子矩阵/>的转置的分块编码;
基于多个所述第一子矩阵分块编码进行所述分块编码算子的线性组合,构建第七子矩阵分块编码/>。
根据本发明提供的一种多视图特征提取方法,所述根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,包括:
根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码。
根据本发明提供的一种多视图特征提取方法,所述根据密度算子的分块编码和所述第一子矩阵,分别构建第一子矩阵分块编码和第二子矩阵分块编码/>,包括:
根据所述量子随机存储器中所述多个视图数据对应的数据矩阵对应的量子态或数据矩阵/>的转置/>对应的量子态,制备初始化量子态为/>的第一量子寄存器和第二量子寄存器,其中,所述第一量子寄存器中有/>个量子比特,所述第二量子寄存器中有/>个量子比特;
对所述第一量子寄存器执行哈德玛量子门,生成均匀叠加态;
对所述第二量子寄存器执行所述第一酉操作,生成各个视图数据的数据矩阵的行元素对应的量子态/>;
对所述第一量子寄存器进行取偏迹运算,得到所述第一量子寄存器对应的偏迹;
基于一个用于在初始化量子态生成一个纯化量子态的预设量子比特酉算子,构建密度算子/>的一个/>的分块编码/>,其中,/>表示量子比特的数量为/>的量子寄存器对应的单位矩阵;/>表示所述第一量子寄存器对应的单位矩阵,/>为所述第一量子寄存器中的量子比特的数量;/>表示将所述第二量子寄存器与量子比特的数量为/>的量子寄存器进行交换的酉算子,/>为所述第二量子寄存器中的量子比特的数量;
根据所述密度算子的一个/>的分块编码和所述第一量子寄存器对应的偏迹,构建/>的一个的分块编码,得到所述第一子矩阵分块编码/>,或,构建/>的一个/>的分块编码,得到所述第二子矩阵分块编码/>。
根据本发明提供的一种多视图特征提取方法,所述基于哈德玛量子门和受控非门量子门,根据所述密度算子的分块编码和所述第二子矩阵,构建第三子矩阵分块编码,包括:
根据所述量子随机存储器中所述第二子矩阵对应的量子态,制备初始化量子态为/>的第三量子寄存器和第四量子寄存器,其中,所述第三量子寄存器和所述第四量子寄存器中量子比特的数量均为/>个;
对所述第三量子寄存器执行哈德玛量子门,生成均匀叠加态;
对所述第三量子寄存器和所述第四量子寄存器执行受控非门量子门CNOT,生成量子态;
对所述第四量子寄存器进行取偏迹运算,得到所述第四量子寄存器对应的偏迹;
根据所述密度算子的一个/>的分块编码和所述第四量子寄存器对应的偏迹,构建/>的一个/>的分块编码,得到所述第三子矩阵分块编码/>。
根据本发明提供的一种多视图特征提取方法,所述对所述第二子矩阵分块编码和所述第三子矩阵分块编码/>进行分块编码算子的线性组合,构建第四子矩阵分块编码/>,包括:
根据所述子矩阵和所述第二子矩阵/>,确定所述第二子矩阵分块编码和所述第三子矩阵分块编码/>对应的分块编码,获取算子的线性组合;
令酉算子对是向量/>的一个/>的量子态制备对,基于向量/>,且/>,取/> ,/>,构建向量/>的一个/>的量子态制备对;
基于向量的一个/>的量子态制备对和线性组合,构建/>的一个的分块编码,得到第四子矩阵分块编码/>。
根据本发明提供的一种多视图特征提取方法,所述根据块对角矩阵的分块编码和所述第四子矩阵分块编码,构建第五子矩阵分块编码,包括:
根据所述块对角矩阵的分块编码,构建集合,其中,集合/>中的元素/>为一个具有/>个量子比特的算子,且每个酉算子/>是算子/>的一个的分块编码;
构建酉算子和黑盒/>,其中,,/>是/>的/>个量子比特的描述,/>是/>个量子比特的字符串;
通过调用两次黑盒,调用一次酉算子,调用/>个单量子比特门、调用个两量子比特门以及调用/>个辅助量子比特,得到的一个/>的分块编码,其中,/>,,/>;
根据所述的一个/>的分块编码和所述第四子矩阵分块编码/>,构建/>的一个的分块编码,得到所述第五子矩阵分块编码/>。
根据本发明提供的一种多视图特征提取方法,所述根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码,构建第六子矩阵分块编码/>,包括:
根据厄密特矩阵的负幂次的一个/>的分块编码,令/>,/>,基于所述和第五子矩阵分块编码/>,构建的一个/>的分块编码,得到所述第六子矩阵分块编码/>。
根据本发明提供的一种多视图特征提取方法,所述基于预设酉算子,根据所述第三子矩阵,构建所述第三子矩阵的分块编码;基于所述预设酉算子,根据所述第三子矩阵的转置,构建所述第三子矩阵/>的转置的分块编码,包括:
基于所述量子随机存储器中所述第三子矩阵对应的量子态或所述第三子矩阵的转置对应的量子态,通过预设酉算子/>读取所述第三子矩阵或所述第三子矩阵/>的转置的每一行元素,通过预设酉算子/>读取所述第三子矩阵/>或所述第三子矩阵/>的转置的每一行元素的模长;根据预设酉算子的共轭转置和预设酉算子/>,构建所述第三子矩阵/>的一个的分块编码;或,根据预设酉算子/>的共轭转置和预设酉算子/>的转置,构建所述第三子矩阵/>的转置的一个的分块编码。
根据本发明提供的一种多视图特征提取方法,所述基于多个所述第一子矩阵分块编码进行所述分块编码算子的线性组合,构建第七子矩阵分块编码/>,包括:
基于向量,且/>,取/>,,构建向量/>的一个/>的量子态制备对;
基于向量的一个/>的量子态制备对和多个所述第一子矩阵分块编码/>的线性组合,构建/>的一个/>的分块编码,得到所述第七子矩阵分块编码/>。
根据本发明提供的一种多视图特征提取方法,所述根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,包括:
基于矩阵乘积的分块编码,令酉算子和酉算子/>分别是算子/>的一个/>的分块编码,以及算子/>的一个/>的分块编码,其中,算子/>和算子/>具有/>个量子比特位,且酉算子/>和酉算子/>在时间/>内被实现;
构建酉算子 ,其中,酉算子 />是算子/>和算子之间乘积的一个/>的分块编码;
基于酉算子 ,根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>之间的乘积,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码:
。
根据本发明提供的一种多视图特征提取方法,所述基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行量子模拟,得到对应的酉矩阵,包括:
令是哈密尔顿量/>的一个/>的分块编码,其中,/>为对应的模拟时间;
基于调用次受控/>门或受控/>门的逆操作,以及调用/>次的两量子比特门的过程,以/>的精度通过执行酉算子/>,完成所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的量子模拟过程,得到对应的酉矩阵/>,其中,酉算子/>是算子/>的一个/>的分块编码。
根据本发明提供的一种多视图特征提取方法,所述根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据,包括:
确定所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征分解形式:
;
其中,是所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值,/>是所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值对应的特征向量;
对初始量子态为的三个量子寄存器执行哈德玛量子门/>和受控非门量子门CNOT,生成量子态:
;
根据所述相位估计算法,提取所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值和特征值对应的特征向量,并根据前个最大特征值/>以及对应的特征向量的量子态形式/> ,/>,获取所述多个视图数据对应的低维表示数据:
。
根据本发明提供的一种多视图特征提取方法,在所述根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据之后,所述方法还包括:
基于k-medoids聚类算法,对所述低维表示数据进行聚类,得到所述多个视图数据的聚类结果。
本发明还提供一种多视图特征提取系统,包括:
数据存储模块,用于获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态;
子矩阵分块编码构建模块,用于基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;
量子模拟模块,用于根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行量子模拟,得到对应的酉矩阵;
特征提取模块,用于根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述多视图特征提取方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述多视图特征提取方法。
本发明提供的多视图特征提取方法、系统、电子设备及存储介质,通过将多个视图数据对应的数据矩阵存储至量子随机存储器,进而基于量子随机存储器中产生的数据矩阵对应的量子态,根据构建得到多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码,进一步构建目标矩阵的分块编码,并基于最优哈密顿量模拟和目标矩阵的分块编码,对求解目标矩阵进行量子模拟,以根据量子模拟得到的酉矩阵和相位估计算法,提取目标矩阵的特征信息得到低维表示数据,从而提高了多视图特征提取过程的效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图进行简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的多视图特征提取方法的流程示意图;
图2为本发明提供的多视图特征提取系统的结构示意图;
图3为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在大数据时代,如何从海量高维数据中提取低维有效信息用于预测、分类等任务,已成为目前热点问题之一。常见的特征提取算法包括针对单视图特征提取的主成分分析、线性判别分析,两视图特征提取的典型相关分析、偏最小二乘法,多视图特征提取的典型相关分析和谱嵌入等等。然而,相关技术中的多视图特征提取算法会面临两个问题:1、只考虑投影低维子空间信息的关联,忽略了原始高维空间信息的关联性;2、目标损失函数采用L2范数或F范数,使得算法对异常点敏感。
为解决以上问题,针对多视图特征提取的交叉回归算法(Cross-regression formulti-view feature extraction,简称CRMvFE)被提出,该算法设计了一个新的交叉回归正则化项,以发现原始视图中多个视图之间的关系,并且同时获得每个视图的低维投影矩阵。然而,当处理海量高维数据时,该算法的复杂度对当前计算机的计算性能提出了严峻的考验。
量子计算因其独特的物理特性(例如,纠缠性与并行性),在求解某些问题上,相比经典对应算法已经取得了显著的速度优势,例如,整数分解、无结构数据库搜索。自从量子求解方程组算法(简称HHL算法)被提出以后,涌现了一个新型交叉领域,即量子机器学习(Quantum machine learning,简称QML),通过量子算法求解某些机器学习问题。例如,量子支持向量机算法,该算法采用量子技术解决支持向量机任务,在数据矩阵低秩的前提下,可在多项式时间内完成对数据的分类,相比经典对应算法具有指数加速的效果;量子主成分分析算法,该算法采用量子技术实现主成分分析获取低维投影矩阵,相比经典对应算法在数据协方差矩阵满足低秩条件下,可取得多项式加速的效果。
在量子算法的成功驱动下,不少具有显著加速效果的量子特征提取算法被提出,例如,量子线性判别分析算法,应用量子技术高效完成线性判别分析任务;量子A-最优投影算法,应用量子技术获取A-最优投影中涉及的低维投影矩阵;量子偏最小二乘算法,应用量子技术加速偏最小二乘算法;量子判别型典型相关分析算法,应用量子技术加速判别型典型相关分析算法,以获取两视图中的低维投影矩阵。
然而,相关技术中的这些量子算法,均是针对单视图或者两视图数据提出的特征提取算法。到目前为止,针对多视图的量子特征提取算法尚未发现。由于经典CRMvFE算法在处理海量高维数据时涉及大规模矩阵计算,其复杂度较高,导致经典CRMvFE算法将面临着严峻的计算性能挑战。因此,本发明首次设计了一种针对多视图特征提取的量子加速交叉回归算法(即多视图特征提取量子加速交叉回归算法),相比经典对应算法,使得多视图数据的特征提取效率更高。
图1为本发明提供的多视图特征提取方法的流程示意图,如图1所示,本发明提供了一种多视图特征提取方法,包括:
步骤101,获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态。
在本发明中,将获取到的多个视图数据对应的数据矩阵存储至量子随机存储器(Quantum Random Access Memory,简称QRAM),量子随机存储器是一种能够在量子计算系统中存储和访问数据的设备,它允许将经典数据信息转换为相应的量子态。
在本发明中,将数据矩阵存储至QRAM会将数据信息编码为量子态,使得数据矩阵中的每个元素都会被映射为量子比特的状态(即量子态)。具体地,假设将个视图数据对应的经典数据矩阵分别存储在QRAM的数据结构中,从而可以并行地读取每个视图矩阵的行元素,并可以以幅度编码的形式输出对应的行元素的量子态表示形式,为后续的多视图特征提取任务提供了数据基础。
在上述实施例的基础上,在所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态之前,所述方法还包括:
判断所述数据矩阵中的各个数据点是否为单位向量,若不是,基于预处理过程,将数据点转换为单位向量。
在本发明中,为方便起见,假设每一个数据点,/>,为单位向量,即/>。若不是单位向量,可以对数据点进行预处理(如归一化处理)。需要说明的是,在本发明中,对数函数均以2为底数,即/>。
步骤102,基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码。
为了求解多视图特征提取量子加速交叉回归算法的目标矩阵的特征值问题,本发明采用基于分块编码(block-encoding)框架的最优哈密顿量技术,在一定条件下设计量子电路以一定精度近似酉操作来实现目标矩阵的高效模拟,其核心是首先构建目标矩阵中各个子矩阵的分块编码形式,再基于各个子矩阵的分块编码形式构建目标矩阵的分块编码形式。
在上述实施例的基础上,在所述基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码之前,所述方法还包括:
基于经典多视图特征提取加速交叉回归算法,根据所述数据矩阵和所述数据矩阵对应的排列矩阵,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵:
其中,表示所述多视图特征提取量子加速交叉回归算法的所述目标矩阵,/>表示正则化参数,/>表示总共有/>个视图数据,/>表示/>个视图数据对应的单位矩阵,/>表示所述数据矩阵对应的排列矩阵/>;
将所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行拆分,得到第一子矩阵、第二子矩阵和第三子矩阵/>,其中,所述第一子矩阵包括子矩阵/>和子矩阵/>。
在经典CRMvFE算法中,其目标为寻找个视图数据的投影矩阵,以获取/>个视图数据的低维表示数据,经典CRMvFE算法对应的优化问题为:/>
在公式(1)中,第一项表示最小化样本与投影回/>视角数据/>之间的损失,第二项是正则项,其中,/>;/>和/>为两组投影矩阵,/>将高维/>视角数据/>投影到低维共同子空间/>,/>将低维共同子空间数据/>投影回到高维/>视角数据/>,/>表示正则化参数,/>为单位矩阵。
进一步地,将求解公式(1)的问题转换为求解以下矩阵的特征值问题:
其中,矩阵,/>个视图数据的数据矩阵,/>,/>,/>为/>视图数据的第/>个样本数据点;
进一步地,假设为上述公式(2)中前/>个最大特征值对应的特征向量,那么投影矩阵/>为:
经典CRMvFE算法的具体流程如下:
输入:个视图数据的数据矩阵/>,和正则化参数/>;
步骤S1,构造矩阵并计算矩阵/>;/>
步骤S2,求解特征值问题,选择/>个最大特征值对应的特征向量来构建;
步骤S3,获得最后投影矩阵计算低维投影。
输出:低维嵌入。
由上述过程可知,经典CRMvFE算法的核心在于求解公式(2),涉及大量的矩阵计算,其复杂度为,/>,当输入高维大数据集时,其复杂度很高,导致多视图特征提取效率较低。本发明通过高效的量子算法,求解多视图数据对应的特征值问题,以实现特定矩阵的量子模拟,再结合量子相位估计算法即可提取相应的特征信息。
具体地,假设多视图特征提取量子加速交叉回归算法的目标矩阵的特征值/>对应的特征向量为/>;基于上述公式(2)得到:
因此,多视图特征提取量子加速交叉回归算法的目标矩阵可表示为:
具体地,所述根据所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码,包括:
根据密度算子的分块编码和所述第一子矩阵,分别构建第一子矩阵分块编码和第二子矩阵分块编码/>,其中,/>表示每一个视图数据对应的数据矩阵有/>个数据点;
基于哈德玛Hadamard量子门和受控非门CNOT量子门,根据所述密度算子的分块编码和所述第二子矩阵,构建第三子矩阵分块编码/>;
对所述第二子矩阵分块编码和所述第三子矩阵分块编码/>进行分块编码算子的线性组合,构建第四子矩阵分块编码/>,其中,/>;/>
根据块对角矩阵的分块编码和所述第四子矩阵分块编码,构建第五子矩阵分块编码/>;
根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码,构建第六子矩阵分块编码;
基于预设酉算子,根据所述第三子矩阵,构建所述第三子矩阵/>的分块编码;基于所述预设酉算子,根据所述第三子矩阵/>的转置,构建所述第三子矩阵/>的转置的分块编码;
基于多个所述第一子矩阵分块编码进行所述分块编码算子的线性组合,构建第七子矩阵分块编码/>。
在本发明中,为了构造多视图特征提取量子加速交叉回归算法的目标矩阵的分块编码,可通过密度算子的分块编码和矩阵乘积的分块编码等方式,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵的分块编码,即需要构建等子矩阵对应的分块编码,进而再通过各个子矩阵对应的子矩阵分块编码,构建目标矩阵/>的分块编码。
步骤103,根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归的所述目标矩阵进行量子模拟,得到对应的酉矩阵。
在本发明中,通过密度算子的分块编码和矩阵乘积的分块编码等方式,构建上述多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵的分块编码之后,再基于各个子矩阵的分块编码之间的乘积,构建目标矩阵的分块编码。进一步地,采用分块编码框架下的最优哈密量模拟技术实现目标矩阵的高效模拟,以得到对应的酉矩阵。
步骤104,根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据。
在本发明中,当确定可以实现目标矩阵的高效模拟过程时,再结合相位估计算法,便可以提取相应的特征值以及特征向量信息,即可获得低维数据的投影矩阵,进而可以获取多视图数据对应的低维表示数据。
本发明提供的多视图特征提取方法,通过将多个视图数据对应的数据矩阵存储至量子随机存储器,进而基于量子随机存储器中产生的数据矩阵对应的量子态,根据构建得到多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码,进一步构建目标矩阵的分块编码,并基于最优哈密顿量模拟和目标矩阵的分块编码,对求解目标矩阵进行量子模拟,以根据量子模拟得到的酉矩阵和相位估计算法,提取目标矩阵的特征信息得到低维表示数据,从而提高了多视图特征提取过程的效率。
在上述实施例的基础上,在所述将所述数据矩阵存储至量子随机存储器之后,所述方法还包括:
基于所述量子随机存储器,对所述数据矩阵进行酉操作,得到所述量子随机存储器中所述数据矩阵对应的量子态,所述酉操作包括第一酉操作和第二酉操作/>,其中,所述第一酉操作/>用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的行指标/>,输出对应的量子态/>;所述第二酉操作/>用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的列指标/>,输出每一行元素的模长;
所述第一酉操作具体为:
所述第二酉操作具体为:
其中,表示第/>个视图数据的第/>个数据点,/>;/>表示第/>个视图数据中每个数据点的数据维度,/>表示第/>个视图数据的第/>个数据点/>的第/>个元素,/>表示/>个视图数据对应的所述数据矩阵。
在本发明中,为了执行后续的量子算法的求解过程,需要将经典数据编码成量子态,即将个视图数据的数据矩阵/>,/>分别存储在QRAM的数据结构中,从而能够以/>的时间执行上述第一酉操作/>和第二酉操作/>。
在上述实施例的基础上,所述根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,包括:
根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码。
在本发明中,基于上述公式(5),根据第六子矩阵分块编码、第三子矩阵/>的分块编码、第三子矩阵的转置/>的分块编码和第七子矩阵分块编码/>的乘积,构建多视图特征提取量子加速交叉回归算法的目标矩阵对应的分块编码。在构建该目标矩阵之前,首先对目标矩阵中各个子矩阵的分块编码构建过程进行说明。首先,构建第一子矩阵分块编码/>和第二子矩阵分块编码/>的具体过程如下:
在上述实施例的基础上,所述根据密度算子的分块编码和所述第一子矩阵,分别构建第一子矩阵分块编码和第二子矩阵分块编码/>,包括:
根据所述量子随机存储器中所述多个视图数据对应的数据矩阵对应的量子态或数据矩阵/>的转置/>对应的量子态,制备初始化量子态为/>的第一量子寄存器和第二量子寄存器,其中,所述第一量子寄存器中有/>个量子比特,所述第二量子寄存器中有/>个量子比特;
对所述第一量子寄存器执行哈德玛量子门,生成均匀叠加态;
对所述第二量子寄存器执行所述第一酉操作,生成各个视图数据的数据矩阵的行元素对应的量子态:
对所述第一量子寄存器进行取偏迹运算,得到所述第一量子寄存器对应的偏迹:
基于一个用于在初始化量子态生成一个纯化量子态的预设量子比特酉算子,构建密度算子/>的一个/>的分块编码/>,其中,/>表示量子比特的数量为/>的量子寄存器对应的单位矩阵;/>表示所述第一量子寄存器对应的单位矩阵,/>为所述第一量子寄存器中的量子比特的数量;/>表示将所述第二量子寄存器与量子比特的数量为/>的量子寄存器进行交换的酉算子,/>为所述第二量子寄存器中的量子比特的数量;
根据所述密度算子的一个/>的分块编码和所述第一量子寄存器对应的偏迹,构建/>的一个的分块编码,得到所述第一子矩阵分块编码/>,或,构建/>的一个/>的分块编码,得到所述第二子矩阵分块编码/>。
在本发明中,根据密度算子的分块编码,假设密度算子为具有/>个量子比特的密度算子,且/>是一个/>量子比特酉算子,作用于初始化量子态/>,可以产生一个纯化量子态/>,使得/>,则/>是密度算子/>的一个/>的分块编码,得到/>,/>,/>,/>,,进而构建得到/>的一个/>的分块编码,得到第一子矩阵分块编码/>,复杂度为/>,,其中,/>来源于生成量子态/>。
相应地,在第二子矩阵分块编码的构建过程中,在将/>个视图数据的数据矩阵/>的转置/>存储在QRAM数据结构后,基于上述第一子矩阵分块编码/>的构建过程,同理可得到/>,/>,/>,/>,/>。因此,可构建/>的一个/>的分块编码,得到第二子矩阵分块编码,复杂度为/>,/>。
在上述实施例的基础上,所述基于哈德玛量子门和受控非门量子门,根据所述密度算子的分块编码和所述第二子矩阵,构建第三子矩阵分块编码/>,包括:
根据所述量子随机存储器中所述第二子矩阵对应的量子态,制备初始化量子态为/>的第三量子寄存器和第四量子寄存器,其中,所述第三量子寄存器和所述第四量子寄存器中量子比特的数量均为/>个;
对所述第三量子寄存器执行哈德玛量子门,生成均匀叠加态;
对所述第三量子寄存器和所述第四量子寄存器执行受控非门量子门CNOT,生成量子态;
对所述第四量子寄存器进行取偏迹运算,得到所述第四量子寄存器对应的偏迹;
根据所述密度算子的一个/>的分块编码和所述第四量子寄存器对应的偏迹,构建/>的一个/>的分块编码,得到所述第三子矩阵分块编码/>。
在本发明中,可参考上述实施例的密度算子的分块编码过程,令,,/>,/>,可构建/>的一个的分块编码,从而得到所述第三子矩阵分块编码/>,复杂度为 ,且/>。
在上述实施例的基础上,所述对所述第二子矩阵分块编码和所述第三子矩阵分块编码/>进行分块编码算子的线性组合,构建第四子矩阵分块编码,包括:
根据所述子矩阵和所述第二子矩阵/>,确定所述第二子矩阵分块编码和所述第三子矩阵分块编码/>对应的分块编码,获取算子的线性组合:/>
令酉算子对是向量/>的一个/>的量子态制备对,基于向量/>,且/>,取/>,/>,构建向量/>的一个/>的量子态制备对;
基于向量的一个/>的量子态制备对和线性组合,构建/>的一个的分块编码,得到第四子矩阵分块编码/>。
在本发明中,根据分块编码算子的线性组合,令,是具有/>个量子比特的算子,且/>;假设酉算子对/>是向量/>的一个/>的量子态制备对,且/>是具有个量子比特的酉算子,使得对所有的/>,都有酉算子/>是算子/>的一个/>的分块编码,那可通过调用一次/>和/>,从而实现算子/>的一个的分块编码,其中,量子态制备对的定义如下:
令向量且/>,若存一对酉算子/>满足和/>,使得/>且对所有的/>都有/>,则酉算子对/>是一个/>的量子态制备对,结合公式(10)可知/>是具有/>个量子比特的算子,令/>,取/>,/>,从而可有效构造酉算子对/>,表示/>是向量/>的一个/>的量子态制备对。基于上述实施例中第二子矩阵分块编码/>和第三子矩阵分块编码/>的构建过程,可得到/>的一个/>的分块编码,复杂度为/>。
在上述实施例的基础上,所述根据块对角矩阵的分块编码和所述第四子矩阵分块编码,构建第五子矩阵分块编码/>,包括:
根据所述块对角矩阵的分块编码,构建集合,其中,集合/>中的元素/>为一个具有/>个量子比特的算子,且每个酉算子/>是算子/>的一个的分块编码;
构建酉算子和黑盒/>,其中,,/>是/>的/>个量子比特的描述,/>是/>个量子比特的字符串;
通过调用两次黑盒,调用一次酉算子,调用/>个单量子比特门、调用个两量子比特门以及调用/>个辅助量子比特,得到的一个/>的分块编码,其中,/>,,/>;
根据所述的一个/>的分块编码和所述第四子矩阵分块编码/>,构建的一个的分块编码,得到所述第五子矩阵分块编码/>。
在本发明中,根据块对角矩阵的分块编码,令集合,集合/>中每一个元素/>均是一个具有/>个量子比特的算子,且每个酉算子/>均是算子/>的一个/>的分块编码。
进一步地,令酉算子和/>,假设黑盒,其中,/>是/>的/>个量子比特的描述,/>是/>个量子比特的字符串,那可通过调用两次黑盒/>,调用一次酉算子/>,调用/>个单量子比特门,调用/>个两量子比特门以及调用/>个辅助量子比特,从而获得/>的一个/>的分块编码,其中,,/>,/>,同时基于第四子矩阵分块编码/>的构建过程,可构建/>的一个的分块编码,得到第五子矩阵分块编码/>,复杂度为/>,,/>。
在上述实施例的基础上,所述根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码,构建第六子矩阵分块编码,包括:
根据厄密特矩阵的负幂次的一个/>的分块编码,令/>,,基于所述和第五子矩阵分块编码,构建/>的一个/>的分块编码,得到所述第六子矩阵分块编码/>。
在本发明中,根据厄密特矩阵的负幂次分块编码,令,/>,并构建一个厄密特矩阵/>且满足/>。进一步地,令/>和算子/>是厄密特矩阵/>的一个/>的分块编码,且可以使用/>个基本门实现。对于任意的/>,可以实现一个酉算子/>,酉算子/>是/>的一个的分块编码,且需要花费的复杂度为。
因此,令;
假设,则可构造的一个的分块编码,从而得到第六子矩阵分块编码/>,复杂度为。
在上述实施例的基础上,所述基于预设酉算子,根据所述第三子矩阵,构建所述第三子矩阵的分块编码;基于所述预设酉算子,根据所述第三子矩阵/>的转置,构建所述第三子矩阵/>的转置的分块编码,包括:
基于所述量子随机存储器中所述第三子矩阵对应的量子态或所述第三子矩阵的转置对应的量子态,通过预设酉算子/>读取所述第三子矩阵或所述第三子矩阵/>的转置的每一行元素,通过预设酉算子/>读取所述第三子矩阵/>或所述第三子矩阵/>的转置的每一行元素的模长;根据预设酉算子的共轭转置和预设酉算子/>,构建所述第三子矩阵/>的一个的分块编码;或,根据预设酉算子/>的共轭转置和预设酉算子/>的转置,构建所述第三子矩阵/>的转置的一个的分块编码。
在本发明中,由于,即/>个视图数据的数据矩阵/>对应的排列矩阵,因此基于上述实施例中的第一酉操作/>和第二酉操作/>,也存在一个量子线路可实现酉算子/>读取数据矩阵/>的每一行元素,读取数据矩阵/>每一行元素的模长。
进一步地,根据数据结构的分块编码,如果数据矩阵被存储在QRAM中,那么存在可在时间/>内被实施的两个酉算子/>和,使得酉算子/>是/>的分块编码,其中,,/>,则可得酉算子/>是第三子矩阵/>的一个/>的分块编码,复杂度为/>。
进一步地,基于根据上述实施例中的第一酉操作和第二酉操作/>,第二子矩阵分块编码/>的构建过程以及第三子矩阵/>的分块编码构建过程,也可得到第三子矩阵/>的转置/>的一个/>的分块编码,复杂度为。
在上述实施例的基础上,所述基于多个所述第一子矩阵分块编码进行所述分块编码算子的线性组合,构建第七子矩阵分块编码/>,包括:
基于向量,且/>,取/>,,构建向量/>的一个/>的量子态制备对;
基于向量的一个/>的量子态制备对和多个所述第一子矩阵分块编码/>的线性组合,构建/>的一个/>的分块编码,得到所述第七子矩阵分块编码/>。
在本发明中,基于分块编码算子的线性组合(具体可参考上述实施例中第四子矩阵分块编码的构建过程),令向量/>,且,取/>,/>,因此,可构建酉算子对/>满足制备量子态的定义,这意味着酉算子对/>是向量的一个/>的制备量子态对,由此可构建/>的一个的分块编码,得到第七子矩阵分块编码/>,复杂度为。
在上述实施例的基础上,所述根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,包括:
基于矩阵乘积的分块编码,令酉算子和酉算子/>分别是算子/>的一个/>的分块编码,以及算子/>的一个/>的分块编码,其中,算子/>和算子/>具有/>个量子比特位,且酉算子/>和酉算子/>在时间/>内被实现;
构建酉算子,其中,酉算子/>是算子K和算子/>之间乘积的一个/>的分块编码;
基于酉算子,根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>之间的乘积,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码:
。
在本发明中,根据公式(5)可知,目标矩阵可以看作子矩阵,/>,/>及/>的乘积。接着,基于矩阵乘积的分块编码,假设酉算子/>和酉算子/>分别是算子/>的一个/>的分块编码,以及算子/>的一个/>的分块编码,算子/>和算子/>具有/>个量子比特位,且酉算子/>和酉算子/>可在时间/>内被实现。那么,酉算子/>是算子/>和算子/>之间乘积的一个/>的分块编码,且可以在时间/>内被实现,便可得到目标矩阵/>的一个的分块编码,其中,/>。
在上述实施例的基础上,所述基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行量子模拟,得到对应的酉矩阵,包括:
令是哈密尔顿量/>的一个/>的分块编码,其中,/>为对应的模拟时间;
基于调用次受控/>门或受控/>门的逆操作,以及调用/>次的两量子比特门的过程,以/>的精度通过执行酉算子/>,完成所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的量子模拟过程,得到对应的酉矩阵/>,其中,酉算子/>是算子/>的一个/>的分块编码。
在本发明中,根据基于分块编码框架下的最优哈密顿量技术,假设是哈密尔顿量/>的一个/>的分块编码,其中,/>为对应的模拟时间。进一步地,以/>的精度执行酉算子/>,其中,酉算子/>是算子/>的一个/>的分块编码,并且它需要调用/>次受控/>门操作或受控/>门的逆操作,以及/>次的两量子比特门,从而以复杂度:/>
,实现目标矩阵/>的量子模拟,得到对应的酉矩阵/>。
在上述实施例的基础上,所述根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据,包括:
确定所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征分解形式:
;
其中,是所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值,/>是所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值对应的特征向量;
对初始量子态为的三个量子寄存器执行哈德玛量子门/>和受控非门量子门CNOT,生成量子态:
;
根据所述相位估计算法,提取所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值和特征值对应的特征向量,并根据前个最大特征值/>以及对应的特征向量的量子态形式/> ,/>,获取所述多个视图数据对应的低维表示数据:
。
在本发明中,给定酉矩阵,其中,/>和/>分别是酉矩阵/>的特征值以及相应的特征向量。假设在给定特征量子态/>(或特征量子叠加态/>),以及对任意非负整数/>可实现受控/>的量子黑盒的条件下,基于量子相位估计算法,估计某个给定的特征态/>所对应的相位/>(或相位叠加态),从而获得对应的特征值/>的一个近似值(或特征值的叠加/>)。
在本发明中,酉矩阵为,假设目标矩阵/>的特征分解形式如下:
;公式(11)
进一步地,对初始量子态:执行哈德玛量子门/>和受控非门量子门CNOT,从而生成量子态:
;公式(12)
然后,结合量子算法中的相位估计,以提取目标矩阵的特征值及相应的特征向量:
;公式(13)
进一步地,运行寻求最大值的量子算法,从而并行地获取到多个数值中的最大值,来揭示个最大特征值/>以及相应的特征向量的量子态形式/>。
最后,结合量子指数降维算法,从而针对指数降维算法提出对应的量子算法,并获取低维数据的计算基编码(将低维数据编码到寄存器中),进而可以得到低维嵌入,即获取多个视图数据对应的低维表示数据:
;
其复杂度为:
;公式(14)
在本发明中,由于,因此,,令/>,则本发明提供的多视图特征提取量子加速交叉回归算法的复杂度为:
;公式(15)
相比经典多视图特征提取加速交叉回归算法的复杂度,本发明在数据点个数和维度上均具有多项式加速的效果,使得多视图提取效率更高。
在上述实施例的基础上,在所述根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据之后,所述方法还包括:
基于k-medoids聚类算法,对所述低维表示数据进行聚类,得到所述多个视图数据的聚类结果。
对于多视图的k-medoids聚类场景中,常需处理高维数据,这将耗费大量计算资源。因此,可通过本发明中提出的量子加速的CRMvFE算法,先对高维数据进行预处理,然后再把获得的数据低维表示直接应用到多视图的量子k-medoids聚类算法,从而基于量子算法加速k-medoids聚类,提高多视图数据的聚类效率。
下面对本发明提供的多视图特征提取系统进行描述,下文描述的多视图特征提取系统与上文描述的多视图特征提取方法可相互对应参照。
图2为本发明提供的多视图特征提取系统的结构示意图,如图2所示,本发明提供了一种多视图特征提取系统,包括数据存储模块201、子矩阵分块编码构建模块202、量子模拟模块203和特征提取模块204,其中,数据存储模块201用于获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态;子矩阵分块编码构建模块202用于基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;量子模拟模块203用于根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行量子模拟,得到对应的酉矩阵;特征提取模块204用于根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据。
本发明提供的多视图特征提取系统,通过将多个视图数据对应的数据矩阵存储至量子随机存储器,进而基于量子随机存储器中产生的数据矩阵对应的量子态,根据构建得到多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码,进一步构建目标矩阵的分块编码,并基于最优哈密顿量模拟和目标矩阵的分块编码,对求解目标矩阵进行量子模拟,以根据量子模拟得到的酉矩阵和相位估计算法,提取目标矩阵的特征信息得到低维表示数据,从而提高了多视图特征提取过程的效率。
本发明提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图3为本发明提供的电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(Processor)301、通信接口(Communications Interface)302、存储器(Memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行多视图特征提取方法,该方法包括:获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态;基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归的所述目标矩阵进行量子模拟,得到对应的酉矩阵;根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的多视图特征提取方法,该方法包括:获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态;基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归的所述目标矩阵进行量子模拟,得到对应的酉矩阵;根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的多视图特征提取方法,该方法包括:获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态;基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归的所述目标矩阵进行量子模拟,得到对应的酉矩阵;根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (19)
1.一种多视图特征提取方法,其特征在于,包括:
获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态;
基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;
根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归的所述目标矩阵进行量子模拟,得到对应的酉矩阵;
根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据;
所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态,包括:
基于所述量子随机存储器,对所述数据矩阵进行酉操作,得到所述量子随机存储器中所述数据矩阵对应的量子态,所述酉操作包括第一酉操作和第二酉操作/>,其中,所述第一酉操作/>用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的行指标,输出对应的量子态/>;所述第二酉操作/>用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的列指标/>,输出每一行元素的模长;
所述第一酉操作具体为:
;
所述第二酉操作具体为:
;
其中,表示第/>个视图数据的第/>个数据点,/>;/>表示第/>个视图数据中每个数据点的数据维度,/>表示第/>个视图数据的第/>个数据点/>的第/>个元素,表示/>个视图数据对应的所述数据矩阵。
2.根据权利要求1所述的多视图特征提取方法,其特征在于,在所述将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态之前,所述方法还包括:
判断所述数据矩阵中的各个数据点是否为单位向量,若不是,基于预处理过程,将数据点转换为单位向量。
3.根据权利要求1所述的多视图特征提取方法,其特征在于,在所述基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码之前,所述方法还包括:
基于经典多视图特征提取加速交叉回归算法,根据所述数据矩阵和所述数据矩阵对应的排列矩阵,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵:
;
其中,表示所述多视图特征提取量子加速交叉回归算法的所述目标矩阵,/>表示正则化参数,/>表示总共有/>个视图数据,/>表示/>个视图数据对应的单位矩阵,/>表示所述数据矩阵对应的排列矩阵/>;
将所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行拆分,得到第一子矩阵、第二子矩阵和第三子矩阵/>,其中,所述第一子矩阵包括子矩阵/>和子矩阵。
4.根据权利要求3所述的多视图特征提取方法,其特征在于,所述根据所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码,包括:
根据密度算子的分块编码和所述第一子矩阵,分别构建第一子矩阵分块编码和第二子矩阵分块编码/>,其中,/>表示每一个视图数据对应的数据矩阵有/>个数据点;
基于哈德玛量子门和受控非门量子门,根据所述密度算子的分块编码和所述第二子矩阵,构建第三子矩阵分块编码/>;
对所述第二子矩阵分块编码和所述第三子矩阵分块编码/>进行分块编码算子的线性组合,构建第四子矩阵分块编码/>,其中,/>;
根据块对角矩阵的分块编码和所述第四子矩阵分块编码,构建第五子矩阵分块编码/>;
根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码,构建第六子矩阵分块编码/>;
基于预设酉算子,根据所述第三子矩阵,构建所述第三子矩阵/>的分块编码;基于所述预设酉算子,根据所述第三子矩阵/>的转置,构建所述第三子矩阵/>的转置的分块编码;
基于多个所述第一子矩阵分块编码进行所述分块编码算子的线性组合,构建第七子矩阵分块编码/>。
5.根据权利要求4所述的多视图特征提取方法,其特征在于,所述根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,包括:
根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码。
6.根据权利要求5所述的多视图特征提取方法,其特征在于,所述根据密度算子的分块编码和所述第一子矩阵,分别构建第一子矩阵分块编码和第二子矩阵分块编码/>,包括:
根据所述量子随机存储器中所述多个视图数据对应的数据矩阵对应的量子态或数据矩阵/>的转置/>对应的量子态,制备初始化量子态为/>的第一量子寄存器和第二量子寄存器,其中,所述第一量子寄存器中有/>个量子比特,所述第二量子寄存器中有/>个量子比特;
对所述第一量子寄存器执行哈德玛量子门,生成均匀叠加态/>;
对所述第二量子寄存器执行所述第一酉操作,生成各个视图数据的数据矩阵的行元素对应的量子态/>;
对所述第一量子寄存器进行取偏迹运算,得到所述第一量子寄存器对应的偏迹;
基于一个用于在初始化量子态生成一个纯化量子态的预设量子比特酉算子,构建密度算子/>的一个/>的分块编码/>,其中,/>表示量子比特的数量为/>的量子寄存器对应的单位矩阵;/>表示所述第一量子寄存器对应的单位矩阵,/>为所述第一量子寄存器中的量子比特的数量;/>表示将所述第二量子寄存器与量子比特的数量为/>的量子寄存器进行交换的酉算子,/>为所述第二量子寄存器中的量子比特的数量;
根据所述密度算子的一个/>的分块编码/>和所述第一量子寄存器对应的偏迹/>,构建/>的一个的分块编码,得到所述第一子矩阵分块编码/>,或,构建/>的一个的分块编码,得到所述第二子矩阵分块编码/>。
7.根据权利要求6所述的多视图特征提取方法,其特征在于,所述基于哈德玛量子门和受控非门量子门,根据所述密度算子的分块编码和所述第二子矩阵,构建第三子矩阵分块编码/>,包括:
根据所述量子随机存储器中所述第二子矩阵对应的量子态,制备初始化量子态为的第三量子寄存器和第四量子寄存器,其中,所述第三量子寄存器和所述第四量子寄存器中量子比特的数量均为个/>;
对所述第三量子寄存器执行哈德玛量子门,生成均匀叠加态/>;
对所述第三量子寄存器和所述第四量子寄存器执行受控非门量子门CNOT,生成量子态;
对所述第四量子寄存器进行取偏迹运算,得到所述第四量子寄存器对应的偏迹;
根据所述密度算子的一个/>的分块编码/>和所述第四量子寄存器对应的偏迹/>,构建/>的一个的分块编码,得到所述第三子矩阵分块编码/>。
8.根据权利要求7所述的多视图特征提取方法,其特征在于,所述对所述第二子矩阵分块编码和所述第三子矩阵分块编码/>进行分块编码算子的线性组合,构建第四子矩阵分块编码/>,包括:
根据所述子矩阵和所述第二子矩阵/>,确定所述第二子矩阵分块编码/>和所述第三子矩阵分块编码/>对应的分块编码,获取算子的线性组合;
令酉算子对是向量/>的一个/>的量子态制备对,基于向量,且/>,取/>,/>,构建向量/>的一个的量子态制备对;
基于向量的一个/>的量子态制备对和线性组合,构建/>的一个的分块编码,得到第四子矩阵分块编码。
9.根据权利要求8所述的多视图特征提取方法,其特征在于,所述根据块对角矩阵的分块编码和所述第四子矩阵分块编码,构建第五子矩阵分块编码,包括:
根据所述块对角矩阵的分块编码,构建集合,其中,集合/>中的元素/>为一个具有/>个量子比特的算子,且每个酉算子/>是算子/>的一个/>的分块编码;
构建酉算子和黑盒/>,其中,/>,/>是的/>个量子比特的描述,/>是/>个量子比特的字符串;
通过调用两次黑盒,调用一次酉算子/>,调用个单量子比特门、调用/>个两量子比特门以及调用个辅助量子比特,得到/>的一个/>的分块编码,其中,/>,/>;
根据所述的一个/>的分块编码和所述第四子矩阵分块编码/>,构建/>的一个的分块编码,得到所述第五子矩阵分块编码。
10.根据权利要求9所述的多视图特征提取方法,其特征在于,所述根据厄密特矩阵的负幂次分块编码和第五子矩阵分块编码,构建第六子矩阵分块编码/>,包括:
根据厄密特矩阵的负幂次的一个/>的分块编码,令,/>,基于所述和第五子矩阵分块编码/>,构建/>的一个/>的分块编码,得到所述第六子矩阵分块编码。
11.根据权利要求10所述的多视图特征提取方法,其特征在于,所述基于预设酉算子,根据所述第三子矩阵,构建所述第三子矩阵的分块编码;基于所述预设酉算子,根据所述第三子矩阵/>的转置,构建所述第三子矩阵/>的转置的分块编码,包括:
基于所述量子随机存储器中所述第三子矩阵对应的量子态或所述第三子矩阵/>的转置对应的量子态,通过预设酉算子/>读取所述第三子矩阵/>或所述第三子矩阵/>的转置的每一行元素,通过预设酉算子/>读取所述第三子矩阵/>或所述第三子矩阵/>的转置的每一行元素的模长;根据预设酉算子/>的共轭转置和预设酉算子/>,构建所述第三子矩阵/>的一个/>的分块编码;或,根据预设酉算子/>的共轭转置和预设酉算子/>的转置,构建所述第三子矩阵/>的转置的一个的分块编码。
12.根据权利要求11所述的多视图特征提取方法,其特征在于,所述基于多个所述第一子矩阵分块编码进行所述分块编码算子的线性组合,构建第七子矩阵分块编码,包括:
基于向量,且/>,取/>,,构建向量/>的一个/>的量子态制备对;
基于向量的一个/>的量子态制备对和多个所述第一子矩阵分块编码/>的线性组合,构建/>的一个/>的分块编码,得到所述第七子矩阵分块编码/>。
13.根据权利要求12所述的多视图特征提取方法,其特征在于,所述根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,包括:
基于矩阵乘积的分块编码,令酉算子和酉算子/>分别是算子/>的一个/>的分块编码,以及算子/>的一个/>的分块编码,其中,算子/>和算子/>具有/>个量子比特位,且酉算子/>和酉算子/>在时间/>内被实现;
构建酉算子,其中,酉算子 />是算子/>和算子/>之间乘积的一个/>的分块编码;
基于酉算子,根据所述第六子矩阵分块编码、所述第三子矩阵/>的分块编码、所述第三子矩阵/>的转置的分块编码和所述第七子矩阵分块编码/>之间的乘积,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码:
。
14.根据权利要求13所述的多视图特征提取方法,其特征在于,所述基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行量子模拟,得到对应的酉矩阵,包括:
令是哈密尔顿量/>一个/>的分块编码,其中,/>为对应的模拟时间;
基于调用次受控/>门或受控/>门的逆操作,以及调用次的两量子比特门的过程,以/>的精度通过执行酉算子/>,完成所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的量子模拟过程,得到对应的酉矩阵/>,其中,酉算子/>是算子/>的一个/>的分块编码。
15.根据权利要求14所述的多视图特征提取方法,其特征在于,所述根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据,包括:
确定所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征分解形式:
;
其中,是所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值,/>是所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值对应的特征向量;
对初始量子态为的三个量子寄存器执行哈德玛量子门/>和受控非门量子门CNOT,生成量子态:
;
根据所述相位估计算法,提取所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征值和特征值对应的特征向量,并根据前个最大特征值/>以及对应的特征向量的量子态形式/> ,/>,获取所述多个视图数据对应的低维表示数据:
。
16.根据权利要求1至15任一项所述的多视图特征提取方法,其特征在于,在所述根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据之后,所述方法还包括:
基于k-medoids聚类算法,对所述低维表示数据进行聚类,得到所述多个视图数据的聚类结。
17.一种多视图特征提取系统,其特征在于,包括:
数据存储模块,用于获取多个视图数据对应的数据矩阵,并将所述数据矩阵存储至量子随机存储器产生数据矩阵对应的量子态;
子矩阵分块编码构建模块,用于基于所述量子随机存储器中所述数据矩阵对应的量子态,构建多视图特征提取量子加速交叉回归算法的目标矩阵中各个子矩阵对应的子矩阵分块编码;
量子模拟模块,用于根据多个所述子矩阵分块编码,构建所述多视图特征提取量子加速交叉回归算法的所述目标矩阵对应的分块编码,并基于最优哈密顿量模拟和所述目标矩阵的分块编码,对求解所述多视图特征提取量子加速交叉回归算法的所述目标矩阵进行量子模拟,得到对应的酉矩阵;
特征提取模块,用于根据相位估计算法和所述酉矩阵,对所述多视图特征提取量子加速交叉回归算法的所述目标矩阵的特征信息进行提取,得到所述多个视图数据对应的低维表示数据;
数据存储模块具体用于:
基于所述量子随机存储器,对所述数据矩阵进行酉操作,得到所述量子随机存储器中所述数据矩阵对应的量子态,所述酉操作包括第一酉操作和第二酉操作/>,其中,所述第一酉操作/>用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的行指标/>,输出对应的量子态/>;所述第二酉操作/>用于通过访问所述数据矩阵中各个视图数据对应的数据矩阵的列指标/>,输出每一行元素的模长;
所述第一酉操作具体为:
;
所述第二酉操作具体为:
;
其中,表示第/>个视图数据的第/>个数据点,/>;/>表示第/>个视图数据中每个数据点的数据维度,/>表示第/>个视图数据的第/>个数据点/>的第/>个元素,表示/>个视图数据对应的所述数据矩阵。
18.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至16任一项所述多视图特征提取方法。
19.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至16任一项所述多视图特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827638.8A CN117475171B (zh) | 2023-12-28 | 2023-12-28 | 多视图特征提取方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827638.8A CN117475171B (zh) | 2023-12-28 | 2023-12-28 | 多视图特征提取方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475171A CN117475171A (zh) | 2024-01-30 |
CN117475171B true CN117475171B (zh) | 2024-03-15 |
Family
ID=89638298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311827638.8A Active CN117475171B (zh) | 2023-12-28 | 2023-12-28 | 多视图特征提取方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475171B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951595B (zh) * | 2024-03-27 | 2024-06-18 | 苏州元脑智能科技有限公司 | 生物数据分类方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860849A (zh) * | 2020-08-06 | 2020-10-30 | 上海海事大学 | 一种量子核主成分分析方法 |
CN114187118A (zh) * | 2021-12-15 | 2022-03-15 | 建信金融科技有限责任公司 | 投资组合优化的方法、装置及存储介质 |
WO2023084425A1 (en) * | 2021-11-10 | 2023-05-19 | Oti Lumionics Inc. | Methods and systems for solving a problem using qubit coupled cluster and binary encoding of quantum information |
-
2023
- 2023-12-28 CN CN202311827638.8A patent/CN117475171B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860849A (zh) * | 2020-08-06 | 2020-10-30 | 上海海事大学 | 一种量子核主成分分析方法 |
WO2023084425A1 (en) * | 2021-11-10 | 2023-05-19 | Oti Lumionics Inc. | Methods and systems for solving a problem using qubit coupled cluster and binary encoding of quantum information |
CN114187118A (zh) * | 2021-12-15 | 2022-03-15 | 建信金融科技有限责任公司 | 投资组合优化的方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117475171A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Projection convolutional neural networks for 1-bit cnns via discrete back propagation | |
Zhou et al. | Stacked extreme learning machines | |
Wang et al. | Packing convolutional neural networks in the frequency domain | |
CN117475171B (zh) | 多视图特征提取方法、系统、电子设备及存储介质 | |
Kilmer et al. | Factorization strategies for third-order tensors | |
Bach et al. | A probabilistic interpretation of canonical correlation analysis | |
Ko et al. | Fast and accurate tensor completion with total variation regularized tensor trains | |
Jin et al. | Faster johnson–lindenstrauss transforms via kronecker products | |
Tang et al. | Analysis dictionary learning based classification: Structure for robustness | |
Han et al. | Hierarchical spatial pyramid max pooling based on SIFT features and sparse coding for image classification | |
Chatalic et al. | Large-scale high-dimensional clustering with fast sketching | |
Vecchi et al. | Compressing deep‐quaternion neural networks with targeted regularisation | |
Kim et al. | Fast Projection‐Based Methods for the Least Squares Nonnegative Matrix Approximation Problem | |
Erkoc et al. | A novel sparse reconstruction method based on multi-objective Artificial Bee Colony algorithm | |
Rujirakul et al. | PEM‐PCA: A Parallel Expectation‐Maximization PCA Face Recognition Architecture | |
Bosch et al. | Precise asymptotic analysis of deep random feature models | |
Novoa-Paradela et al. | Fast deep autoencoder for federated learning | |
Vanchurin | Information Graph Flow: a geometric approximation of quantum and statistical systems | |
Cohen | Optimizing local protocols for implementing bipartite nonlocal unitary gates using prior entanglement and classical communication | |
Carbó‐Dorca et al. | Fundamental quantum QSAR (Q2SAR) equation: extensions, nonlinear terms, and generalizations within extended Hilbert–Sobolev spaces | |
Gerdt et al. | Some algorithms for calculating unitary matrices for quantum circuits | |
Ishfaq et al. | TVAE: Deep metric learning approach for variational autoencoder | |
Ziyaden et al. | Long-context transformers: A survey | |
Bhattacharyya et al. | Reconstruction of human faces from its eigenfaces | |
Kountchev et al. | Hierarchical third‐order tensor decomposition through inverse difference pyramid based on the three‐dimensional Walsh–Hadamard transform with applications in data mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |