Quantum Implementation of Quadratic Programming for Feature Selection
Notice bibliographique
Résumé
This work explores the quantum implementation of Quadratic Programming for Feature Selection (QPFS), a method designed to address the challenges of high-dimensional datasets in machine learning. Feature selection plays a critical role in improving model performance, reducing computational complexity, and mitigating overfitting. QPFS formulates feature selection as a quadratic optimization problem that balances feature relevance and redundancy. We investigate the scalability challenges of QPFS and apply the Nystrom approximation to reduce computational cost. To demonstrate the feasibility of quantum acceleration, the QPFS algorithm was implemented on QCI’s Dirac-3 quantum platform, which leverages high-dimensional qudits for solving optimization problems. Experiments were conducted on the Taiwanese Bankruptcy Prediction dataset, with alternative datasets identified for future exploration. The results highlight key differences between classical and quantum implementations: while the classical solver produced rank-based weights for features, the Dirac-3 quantum solver effectively suppressed redundant and irrelevant features by assigning them near-zero values. This property is significant in simplifying feature selection without additional manual thresholding. The project provides insights into the integration of quantum optimization methods with machine learning pipelines, showing promising directions for scalable feature selection in finance, healthcare, and other high-dimensional domains. The full implementation, including both classical and quantum code, is available on GitHub: https://github.com/Hope-Alemayehu/QPFS-using-Dirac3.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».