量子科技中心_量科网

现代机器学习方法通常无法充分捕捉因果信息。因此，这些模型无法处理数据分布的变化，容易受到对抗样本的攻击，并且常常学习到虚假的相关性。因果机器学习，或称因果推断，旨在通过使用观察数据和/或干预数据来估计反事实事件的预期结果，从而解决这些问题，其中因果关系通常被表示为有向无环图。这些因果算法是否提供了量子增强的机会，仍然是一个开放性问题。在该工作中，研究团队考虑了一组最近开发的非参数连续因果估计器，并针对这些任务推导了量子算法。核评估和大矩阵求逆是这些经典算法的关键子程序，这使得它们特别适合进行量子处理。与其他量子机器学习算法不同，这些估计器存在闭式解，因此无需进行梯度评估和变分学习。该团队描述了几种新的混合量子-经典算法，并证明了估计器的一致性得以保留。此外，如果研究人员对与真实因果估计量成比例的量子态输出感到满意，那么这些算法将继承量子线性系统求解器所提供的指数级复杂度优势。