¿Puede la computación cuántica acelerar el aprendizaje bayesiano?

Uno de los mayores inconvenientes del aprendizaje bayesiano contra el aprendizaje profundo es el tiempo de ejecución: la aplicación del teorema de Bayes requiere conocimiento sobre cómo se distribuyen los datos, y esto generalmente requiere integrales costosas o algún mecanismo de muestreo (con los inconvenientes correspondientes).

Dado que, al final del día, todo se trata de propagaciones de distribución, y esta es (por lo que entiendo) la naturaleza de la computación cuántica, ¿hay alguna manera de realizarlas de manera eficiente? En caso afirmativo, ¿qué limitaciones se aplican?

Editar ( enlaces directamente relacionados ):

machine-learning bayesian-learning

— fr_andres
fuente

No ha habido mucho trabajo en esto (que yo sepa). Para las redes bayesianas, hay 1404.0055 , en el que el autor utiliza una variación de la búsqueda de Grover para obtener una aceleración cuadrática. Sobre el tema relacionado de los Modelos de Markov también hay algunas cosas, vea las referencias en la wiki y 1611.08104 . Sin embargo, no estoy lo suficientemente calificado para generar una respuesta a partir de estos.

— glS

@glS solo quería contarte sobre la respuesta de HC, parece realmente interesante (en caso de que no supieras sobre ese documento). Muchas gracias por sus referencias y explicaciones breves también, si quieres ellaborate alguna respuesta estaré contento de que upvote

— fr_andres

Los procesos gaussianos son un componente clave del procedimiento de construcción de modelos en el núcleo de la optimización bayesiana. Por lo tanto, acelerar la capacitación de los procesos gaussianos mejora directamente la optimización bayesiana. El reciente artículo de Zhao et. al, el algoritmos cuánticos para la formación de Gauss Procesos hace exactamente esto.

— con suerte coherente
fuente

Solo para complementar su respuesta, el mismo autor ha publicado recientemente un nuevo artículo donde hacen uso de la formación cuántica de los procesos gaussianos para entrenar arquitecturas de aprendizaje profundo, proporcionando aceleraciones (teóricas) con respecto a la formación clásica.

— Alex