摘要
时间序列分析在科学与工程领域中发挥着重要作用，但也带来了相当大的计算挑战。其中一个主要困难是时间序列数据的时间重新参数化不变性，这使得提取有意义的时间特征变得复杂。本文通过探索量子计算技术，解决了时间序列分类的问题。
我们提出了一种混合量子-经典架构，该架构将量子神经网络的最新进展与路径签名的数学框架结合起来，以减轻时间重新参数化不变性的影响。该架构采用特征层，计算输入路径对之间的签名核，这些路径包括用于分类的参考路径和目标路径，使用经典或量子变分线性求解器（VQLS）。
特征层之后是量子卷积神经网络（QCNN），用于执行后续学习任务。我们在涉及手写数字时间序列表示的二分类任务上评估了几种不同QCNN配置的架构实现。实验结果表明，在量子电路中实现路径签名核层的潜在优势，并提供了与VQLS组件相关的计算限制的分析。
博主点评： 本文结合量子计算与路径签名核，提出了一种新的时间序列分类方法，展示了量子技术在处理复杂数据结构上的潜力。尤其是在时间序列不变性问题上，提供了创新的解决思路，值得关注。