본 논문은 양자 머신러닝(QML)에서 데이터 인코딩의 중요성을 강조하며, 고전적 접근 방식과 달리 QML은 고전 데이터를 양자 상태로 변환하는 양자 특징 맵(quantum feature maps) 또는 양자 임베딩(quantum embeddings)을 필요로 한다는 점을 설명합니다. 힐베르트 공간의 고차원성과 비선형성을 활용하여 고전적 방법으로는 접근하기 어려운 복잡한 특징 공간에서 효율적인 데이터 분리를 가능하게 합니다. 다양한 양자 논리 게이트를 사용하는 여러 인코딩 방법들을 연구하고, 다양한 데이터셋을 사용하여 벤치마킹을 수행했습니다. 최적의 인코딩 방법 선택에 대한 보편적인 규칙이 없다는 점을 지적하며, 데이터셋에 적합한 인코딩 방법 선택의 중요성을 강조합니다.
