Estudio comparativo de métodos de aprendizaje máquina basados en kernels cuánticos y clásicos aplicados a problemas de clasificación sobre conjuntos de datos desbalanceados

Abstract

[Resumen]: Este Trabajo de Fin de Grado se centra en el estudio de los métodos basados en kernels cuánticos para resolver tareas de clasificación con conjunto de datos desbalanceados. El estudio de la clasificación de este tipo de conjuntos de datos es de importancia debido a su presencia en áreas críticas como la detección de fraude o del diagnóstico médico, por lo que es necesario disponer de las mejores herramientas posibles. El objetivo de este trabajo es estudiar los problemas de clasificación con conjuntos de datos desbalanceados desde un paradigma computacional que está en auge los últimos años, la computación cuántica. Para ello, se aplicará al campo del aprendizaje máquina, el cual ya es usado a día de hoy para resolver este tipo de tareas. Además, el proyecto abarca el estudio çdel efecto de técnicas utilizadas en la computación clásica como el centrado del kernel o el equilibrado de la función de coste al aplicarlas a los modelos cuánticos. Para evaluar los modelos se utilizan cinco conjuntos de datos, los cuales van desde conjuntos de datos clásicos como el MNIST-1D a conjuntos reales desbalanceados como el Glass6, pasando por conjuntos sintéticos diseñados para ser clasificados por los modelos cuánticos con facilidad. Los resultados obtenidos muestran el potencial de los modelos cuánticos para clasificar estos conjuntos a la vez que arrojan luz sobre los efectos de las diferentes técnicas probadas, además de destacar la importancia de un hiperparámetro de los modelos cuánticos, el factor de escalado.

[Abstract]: This Final Degree Project focuses on the study of quantum kernel methods to solve classification tasks on imbalanced datasets. The study of methods to classify imbalanced datasets is important because they are present in critical areas like fraud detection or medical diagnosis, for which the best available tools are needed. The objective of this work is to study imbalanced classification tasks from a rapidly growing computational paradigm, quantum computing. To that end, the paradigm will be applied in the field of machine learning , as is already common practice when working in these type of problems. This project also examines the effects of techniques used in classical computing, such as kernel centering and different error cost, on quantum models used to solve this specific type of problem. To do that, five datasets have been selected, including classical datasets like MNIST-1D, real imbalanced datasets like Glass6, and synthetic datasets tailored to be classified by quantum models more easily. The results show the potential of quantum models to perform classification tasks on imbalanced datasets and shed light on the effects of the tested techniques, highlighting the importance of a key hyperparameter of quantum models: the scaling factor.