Fugu-MT 論文翻訳(概要): Statistical Limits of Supervised Quantum Learning

論文の概要: Statistical Limits of Supervised Quantum Learning

arxiv url: http://arxiv.org/abs/2001.10477v3
Date: Thu, 29 Oct 2020 09:36:24 GMT
ステータス: 処理完了
システム内更新日: 2023-01-06 02:26:13.746100
Title: Statistical Limits of Supervised Quantum Learning
Title（参考訳）: 教師付き量子学習の統計的限界
Authors: Carlo Ciliberto, Andrea Rocchetto, Alessandro Rudi, Leonard Wossnig
Abstract要約: 精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
参考スコア（独自算出の注目度）: 90.0289160657379
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Within the framework of statistical learning theory it is possible to bound the minimum number of samples required by a learner to reach a target accuracy. We show that if the bound on the accuracy is taken into account, quantum machine learning algorithms for supervised learning---for which statistical guarantees are available---cannot achieve polylogarithmic runtimes in the input dimension. We conclude that, when no further assumptions on the problem are made, quantum machine learning algorithms for supervised learning can have at most polynomial speedups over efficient classical algorithms, even in cases where quantum access to the data is naturally available.
Abstract（参考訳）: 統計的学習理論の枠組み内では、学習者が目標の精度に達するのに必要なサンプルの最小数を制限することができる。精度のバウンドを考慮に入れれば、教師付き学習のための量子機械学習アルゴリズム(統計的保証が利用可能である)は、入力次元における多対数ランタイムを達成できない。問題に対するさらなる仮定がなければ、教師付き学習のための量子機械学習アルゴリズムは、たとえデータへの量子アクセスが自然に利用可能であっても、効率的な古典的アルゴリズムよりも多項式のスピードアップを最大にすることができると結論づける。

関連論文リスト

Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文参考訳（メタデータ） (2024-08-22T08:21:28Z)
The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文参考訳（メタデータ） (2024-08-19T12:18:07Z)
Noise-tolerant learnability of shallow quantum circuits from statistics and the cost of quantum pseudorandomness [0.0]
量子過程を学習するための量子統計クエリの自然な堅牢性を示す。定深量子回路の学習アルゴリズムを量子統計クエリ設定に適用する。擬似乱数ユニタリ(PRU)は一定深さの回路では構築できないことを示す。
論文参考訳（メタデータ） (2024-05-20T14:55:20Z)
Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
論文参考訳（メタデータ） (2024-05-12T09:05:13Z)
Learning unitaries with quantum statistical queries [0.0]
量子統計クエリ(QSQ)からユニタリ演算子を学習するためのいくつかのアルゴリズムを提案する。本手法は, 1つの量子統計的クエリを用いて, パウリ弦の部分集合上のユニタリのフーリエ質量を推定する新しい手法に基づく。量子統計的クエリは,Choi-Jamiolkowski状態に対する分離可能な測定値と比較して,特定のタスクに対して指数関数的に大きなサンプル複雑性をもたらすことを示す。
論文参考訳（メタデータ） (2023-10-03T17:56:07Z)
Statistical Complexity of Quantum Learning [32.48879688084909]
本稿では,情報理論を用いた量子学習の複雑さについて概説する。データ複雑性、コピー複雑性、モデルの複雑さに重点を置いています。我々は、教師なし学習と教師なし学習の両方に対処することで、量子学習と古典学習の違いを強調する。
論文参考訳（メタデータ） (2023-09-20T20:04:05Z)
Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文参考訳（メタデータ） (2023-01-04T23:37:45Z)
On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文参考訳（メタデータ） (2021-06-29T14:01:40Z)
Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文参考訳（メタデータ） (2020-11-03T19:00:01Z)
A rigorous and robust quantum speed-up in supervised machine learning [6.402634424631123]
本稿では,汎用量子学習アルゴリズムを用いて,教師付き分類のための厳密な量子スピードアップを確立する。我々の量子分類器は、フォールトトレラント量子コンピュータを用いてカーネル関数を推定する従来のサポートベクトルマシンである。
論文参考訳（メタデータ） (2020-10-05T17:22:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。