Optimal algorithmic complexity of inference in quantum kernel methods
Diese Arbeit identifiziert und analysiert systematisch die optimalen Algorithmen für die Inferenz in Quanten-Kernel-Methoden, wobei eine neue Strategie, die die Summe als Erwartungswert eines einzelnen Observablen kodiert und Quantenamplitudenabschätzung nutzt, eine query-optimale Komplexität von erreicht und damit die Abhängigkeit von der Anzahl der Trainingsdaten eliminiert, während gleichzeitig die praktischen Gate-Kosten je nach Hardware-Fähigkeiten berücksichtigt werden.