A computação quântica pode acelerar o aprendizado bayesiano?

Uma das maiores desvantagens do aprendizado bayesiano em relação ao aprendizado profundo é o tempo de execução: a aplicação do teorema de Bayes requer conhecimento de como os dados são distribuídos, e isso geralmente requer integrais caros ou algum mecanismo de amostragem (com os inconvenientes correspondentes).

Como no final das contas, trata-se de propagações de distribuição, e essa é (até onde eu sei) a natureza da computação quântica, existe uma maneira de realizá-las com eficiência? Em caso afirmativo, que limitações se aplicam?

Editar ( links diretamente relacionados ):

machine-learning bayesian-learning

— fr_andres
fonte

Não houve muito trabalho sobre isso (que eu saiba). Para redes bayesianas, há 1404.0055 , na qual o autor usa uma variação da pesquisa de Grover para obter uma aceleração quadrática. No tópico relacionado dos modelos de Markov, também existem poucas coisas, consulte as referências no wiki e 1611.08104 . Eu não estou qualificado o suficiente para criar uma resposta a partir disso.

— GLS

O @glS só queria falar sobre a resposta do HC, parece realmente interessante (caso você não saiba sobre esse documento). Muito obrigado por suas referências e explicações breves também, se você quiser ellaborate alguma resposta eu vou ser feliz para upvote-lo

— fr_andres

Os processos gaussianos são um componente-chave do procedimento de construção de modelos no núcleo da otimização bayesiana. Portanto, acelerar o treinamento dos processos gaussianos aprimora diretamente a otimização bayesiana. O artigo recente de Zhao et. al em algoritmos quânticos para o treinamento Processos Gaussian faz exatamente isso.

— esperançosamente coerente
fonte

Apenas para complementar sua resposta, o mesmo autor publicou recentemente um novo artigo, onde eles fazem uso do treinamento quântico de Processos Gaussianos para treinar arquiteturas de aprendizado profundo, fornecendo acelerações (teóricas) em relação ao treinamento clássico.

— 287 Alex