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
- 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) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-26T18:23:21Z) - 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) - Quantum policy gradient algorithms [1.5293427903448025]
強化学習環境への量子アクセスを与えられた場合、学習のスピードアップが可能であることを示す。
本研究では、最先端の強化学習ポリシーをトレーニングするための量子アルゴリズムを設計する。
パラメタライズド量子回路から得られる強化学習方針は良好であることがわかった。
論文 参考訳(メタデータ) (2022-12-19T09:45:58Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳(メタデータ) (2022-12-13T16:04:16Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - 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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。