随机梯度下降优化的量子多分类支持向量机  

Stochastic Gradient Descent Optimization for Quantum Multiclassification Support Vector Machines

作　　者：韩兴 HAN Xing(College of Computer and Cyber Security,Fujian Normal University,Fuzhou,China,350117)

机构地区：[1]福建师范大学计算机与网络空间安全学院,福州350117

出　　处：《福建电脑》2024年第2期1-6,共6页Journal of Fujian Computer

基　　金：国家自然科学基金(No.62171131、No.61976053、No.61772134);福建省自然科学基金(No.2018J01776);福建省高等学校新世纪优秀人才支持计划资助。

摘　　要：为改善大规模数据在经典机器学习多分类任务中的计算负担,本文提出了一种基于随机梯度下降优化的量子多分类支持向量机(SGD-MQSVM)算法。通过采用量子随机梯度下降法获得训练参数,并采用全对多分类支持向量机的量子方法进行多分类。算法的时间复杂性可将单次迭代的时间复杂度从经典多项式级降低到对数级。To improve the computational burden of large-scale data in classical machine learning multi classification tasks,this paper proposes a quantum multi classification support vector machine(SGD-MQSVM)algorithm based on stochastic gradient descent optimization.By using the quantum random gradient descent method to obtain training parameters,and using the quantum method of fully pairwise multi classification support vector machine for multi classification.The time complexity of algorithms can reduce the time complexity of a single iteration from the classical polynomial level to the logarithmic level.

关 键 词：随机梯度下降 量子支持向量机 多分类算法 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]