本記事では、データ次元削減手法が量子機械学習（QML）モデルの性能に与える影響について分析しています。NISQ量子デバイスの制約や大規模データのシミュレーションの難しさに対処するために、次元削減技術が一般的に用いられています。しかし、この手法は大規模データセットへの適応が遅く、スケーラビリティの懸念を引き起こします。実験を通じて、次元削減手法の使用がQMLモデルの精度やF1スコアなどのパフォーマンス指標に歪んだ影響を与えることが確認されました。特に、データセットの特性や量子情報埋め込み方法、特徴の削減率などが性能に影響を及ぼし、次元削減を行なった場合には精度が14%から48%も異なることが観察されました。また、一部の次元削減手法は特定のデータ埋め込み方法やansatz構築でより良い性能を示すことも明らかになりました。