Quantum Visual Feature Encoding Revisited

尽管量子机器学习已经推出一段时间了，但其在计算机视觉方面的应用仍然有限。因此，本文重新审视了量子视觉编码策略，这是量子机器学习的初始步骤。通过研究根本原因，我们发现现有的量子编码设计未能确保视觉特征在编码过程后的信息保留，从而使量子机器学习模型的学习过程变得复杂。特别地，这个问题被称为“量子信息鸿沟”（QIG），它导致了经典特征和相应的量子特征之间的信息鸿沟。我们提供了理论证明和实际演示，并强调了QIG的重要性，因为它直接影响量子机器学习算法的性能。为了解决这个挑战，我们引入了一种简单而有效的新损失函数，名为量子信息保持（QIP），以最小化这个鸿沟，从而提高了量子机器学习算法的性能。广泛的实验验证了我们方法的有效性，展示了与当前方法相比的卓越性能，并在量子建模中始终取得最新的结果。

解决量子机器学习中的信息保留问题，提高量子机器学习算法的性能。

通过引入新的损失函数Quantum Information Preserving (QIP)来最小化量子信息差距(QIG)，以提高量子机器学习算法的性能。

论文提出了一个新的损失函数QIP，以解决量子机器学习中的信息保留问题，并在实验中验证了该方法的有效性。该方法在多个数据集上均取得了与当前最先进方法相当的结果。

最近相关研究包括：Quantum Machine Learning Using Tensor Networks (Phys. Rev. Lett. 120, 210501)，Quantum Machine Learning for Computer Vision (arXiv:1907.02085)。