Simulation of Detection of Purchasing Behaviors of People Using Supervised Quantum Machine Learning Based on Continous-Variable Model

Year 2019, Volume: 5 Issue: 1, 140 - 156, 30.05.2019

Ömer Eryılmaz , İhsan Yılmaz

https://doi.org/10.28979/comufbed.535060

Abstract

In this study, purchasing behavior of people is examined by supervised
quantum machine learning based on continuous-variable model. In this context,
sample data is taken from the cloud environment. These data is provided as
homogenous separation as 75% training and 25% test data. Separated test data
was not used in the training process, attention was paid to the healthy
implementation of the learning process. Then, the normalization process was
performed to ensure the consistency between the independent variables in this
data. Thus, the data ready for the learning process are used in the supervised
quantum machine learning algorithm performed on variational circuit based
continuous variable model. In addition, these data are simulated with the
classical support vector machine learning algorithm. Confusion matrices and
receiver operating characteristic (ROC) curves for both quantum and classical
machine learning algorithms were obtained. Finally, by entering sample values except
the test data in the data set, the results are displayed textually and
visually. Based on the obtained results, it was determined that quantum machine
learning based on continuous variable model is more sensitive. The source codes
related to algorithms are found in Github.

 

Keywords

quantum machine learning, continuous-variable model, quantum computing

Sürekli Değişken Modele Dayalı Gözetimli Kuantum Makine Öğrenmesi ile Kişilerin Satın Alma Davranışlarının Tespitinin Simulasyonu

Abstract

Bu çalışmada kişilerin satın alma
davranışları sürekli-değişken modele dayalı gözetimli kuantum makine öğrenmesi
ile incelenmiştir. Bu bağlamda, örnek veriler bulut ortamından alınmaktadır. Bu
verilerin %75’inin eğitim ve %25’inin test verisi olarak, homojen bir şekilde
ayrılması sağlanmıştır. Ayrılan test verisinin eğitim işleminde
kullanılmamasına, öğrenme işleminin sağlıklı gerçekleştirilmesi için dikkat
edilmiştir. Sonrasında bu verilerdeki bağımsız değişkenler arasındaki uyumun
sağlanması için normalizasyon işlemi gerçekleştirilmiştir. Böylece öğrenme
işlemi için hazır hale gelen veriler, 
sürekli değişken modele dayalı varyasyonel devre üzerinde
gerçekleştirilen gözetimli kuantum makine öğrenme algoritmasında
kullanılmıştır. Ayrıca bu veriler klasik destek vektör makine öğrenme algoritması
ile de simüle edilmiştir. Hem kuantum hem de klasik makine öğrenme
algoritmalarına ait çapraz tahmin matrisleri ve alıcı işletim karakteristiği
(AİK) eğrileri elde edilmiştir. Son olarak veri kümesindeki test verisi
haricinde örnek değerler girilerek, sonuçlar metinsel ve görsel olarak
görüntülenmiştir. Elde edilen sonuçların karşılaştırılması sonucunda ise
sürekli değişken modele dayalı kuantum makine öğrenmesinin daha duyarlı sonuç
verdiği tespit edilmiştir. Algoritmalar ile ilgili kaynak kodlar Github’ta
bulunmaktadır.

Keywords

kuantum makine öğrenmesi, sürekli-değişken modelli kuantum hesaplama, kuantum bilgisayarlar

References

• Braunstein S. L., Loock P., 2005. Quantum information with continuous variables. Reviews of Modern Physics, 77:513–24 577.
• Eryılmaz Ö. and Yılmaz İ., 2019. https://github.com/omereryilmaz/master-thesis-qml.
• Grant E., Benedetti M., Cao S., Hallam A., Lockhart J., Stojevic V., Green A. and Severini S., 2018. Hierarchical quantum classifiers. Quantum Information (2018) 4:65 from https://doi.org/10.1038/s41534-018-0116-9.
• Izaac J., 2018a. Numerical Learning: Supervised learning from https://qmlt.readthedocs.io/en/latest/tutorials/numerical.html#supervised-learning.
• Izaac J., 2018b. Continuous-Variable Quantum Computing: Conventions and formulas from https://strawberryfields.readthedocs.io/en/latest/conventions/gates.html.
• Johansson R., 2015. Clarification of the pseudocode in the Pegasos paper.
• Jordan S.,2011. Quantum Algorithm Zoo from http://math.nist.gov/quantum/zoo/.
• Killoran N., Izaac J., Quesada N., Bergholm V., Amy M., Weedbrook C., 2018. Strawberry Fields: A Software Platform for Photonic Quantum Computing.
• Nielsen M. A., Chuang I., 2002. Quantum computation and quantum information. AAPT.
• Schuld M., Sinayskiy I., Petruccione F., 2014. An introduction to quantum machine learning. arXiv preprint arXiv:1409.3097.
• Schuld M., 2018. Quantum Machine Learning Toolbox: Variational Circuits from https://qmlt.readthedocs.io/en/latest/variational.html#variational.
• Schuld M., Bocharov A., Svore K., Wiebe N., 2018. Circuit-centric quantum classifiers. arXiv:1804.00633v1.
• Shalev-Shwartz S., Singer Y., Srebro N., Cotter A., 2011. Pegasos: Primal estimated sub-gradient solver for SVM.