ترجمه فارسی مقاله ماشین‌های بردار پشتیبان تک‌کلاسه کوانتومی کارآمد برای تشخیص ناهنجاری با استفاده از اندازه‌گیری‌های تصادفی و زیرنمونه‌گیری متغیر

چکیده

Quantum one-class support vector machines leverage the advantage of quantum kernel methods for semi-supervised anomaly detection. However, their quadratic time complexity with respect to data size poses challenges when dealing with large datasets. In recent work, quantum randomized measurements kernels and variable subsampling were proposed, as two independent methods to address this problem. The former achieves higher average precision, but suffers from variance, while the latter achieves linear complexity to data size and has lower variance. The current work focuses instead on combining these two methods, along with rotated feature bagging, to achieve linear time complexity both to data size and to number of features. Despite their instability, the resulting models exhibit considerably higher performance and faster training and testing times.

چکیده به فارسی (ترجمه ماشینی)

ماشین های بردار پشتیبانی یک طبقه کوانتومی از مزیت روشهای هسته کوانتومی برای تشخیص ناهنجاری نیمه تحت نظارت استفاده می کنند.با این حال ، پیچیدگی زمان درجه دوم آنها با توجه به اندازه داده ها هنگام برخورد با مجموعه داده های بزرگ ، چالش هایی را ایجاد می کند.در کار اخیر ، اندازه گیری های تصادفی کوانتومی و نمونه گیری متغیر به عنوان دو روش مستقل برای رفع این مشکل ارائه شد.اولی به دقت متوسط ​​بالاتر می رسد ، اما از واریانس رنج می برد ، در حالی که دومی به پیچیدگی خطی به اندازه داده ها دست می یابد و واریانس کمتری دارد.کار فعلی در عوض بر ترکیب این دو روش ، همراه با کیسه های ویژگی چرخشی ، برای دستیابی به پیچیدگی زمان خطی هم به اندازه داده و هم به تعداد ویژگی ها متمرکز است.علیرغم بی ثباتی آنها ، مدل های حاصل عملکرد قابل توجهی بالاتری دارند و زمان تمرین و آزمایش سریعتر را نشان می دهند.