論文の概要: Quantum statistical query learning

• arxiv url: http://arxiv.org/abs/2002.08240v2
• Date: Tue, 24 Nov 2020 21:26:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 14:38:06.297624
• Title: Quantum statistical query learning
• Title（参考訳）: 量子統計クエリ学習
• Authors: Srinivasan Arunachalam, Alex B. Grilo, Henry Yuen
• Abstract要約: 本稿では,量子統計学習QSQモデルという学習モデルを提案する。 我々のモデルは、量子PAC学習モデルの制約と見なすことができる。 量子プライベートPACモデルにおいて,QSQモデルの学習性は学習性を意味することを示す。
• 参考スコア（独自算出の注目度）: 6.434862450258459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a learning model called the quantum statistical learning QSQ model, which extends the SQ learning model introduced by Kearns to the quantum setting. Our model can be also seen as a restriction of the quantum PAC learning model: here, the learner does not have direct access to quantum examples, but can only obtain estimates of measurement statistics on them. Theoretically, this model provides a simple yet expressive setting to explore the power of quantum examples in machine learning. From a practical perspective, since simpler operations are required, learning algorithms in the QSQ model are more feasible for implementation on near-term quantum devices. We prove a number of results about the QSQ learning model. We first show that parity functions, (log n)-juntas and polynomial-sized DNF formulas are efficiently learnable in the QSQ model, in contrast to the classical setting where these problems are provably hard. This implies that many of the advantages of quantum PAC learning can be realized even in the more restricted quantum SQ learning model. It is well-known that weak statistical query dimension, denoted by WSQDIM(C), characterizes the complexity of learning a concept class C in the classical SQ model. We show that log(WSQDIM(C)) is a lower bound on the complexity of QSQ learning, and furthermore it is tight for certain concept classes C. Additionally, we show that this quantity provides strong lower bounds for the small-bias quantum communication model under product distributions. Finally, we introduce the notion of private quantum PAC learning, in which a quantum PAC learner is required to be differentially private. We show that learnability in the QSQ model implies learnability in the quantum private PAC model. Additionally, we show that in the private PAC learning setting, the classical and quantum sample complexities are equal, up to constant factors.
• Abstract（参考訳）: 本稿では,Kearns氏が導入したSQ学習モデルを拡張した量子統計学習QSQモデルを提案する。 我々のモデルは、量子PAC学習モデルの制約と見なすこともできる: ここでは、学習者は量子サンプルに直接アクセスするわけではなく、その上での測定統計の見積しか取得できない。 理論的には、このモデルは、機械学習における量子例のパワーを探求する単純かつ表現力のある設定を提供する。 実用の観点からは、より単純な操作が必要であるため、QSQモデルの学習アルゴリズムは、短期量子デバイスの実装においてより実現可能である。 我々はQSQ学習モデルについて多くの結果を示した。 まず, パリティ関数, (log n)-juntas および多項式サイズの dnf 公式が qsq モデルにおいて効率的に学習可能であることを示す。 このことは、より制限された量子sq学習モデルでも量子pac学習の利点の多くを実現できることを意味する。 WSQDIM(C)で表される弱い統計的クエリ次元は、古典的なSQモデルにおける概念クラスCの学習の複雑さを特徴付けることはよく知られている。 我々は,log(wsqdim(c)) が qsq 学習の複雑性に対する下限であること,さらにある概念クラス c に対して厳しいこと,さらに,この量が製品分布下での小バイアス量子通信モデルに対して強い下限を与えることを示した。 最後に、量子pac学習者が微分的にプライベートである必要があるプライベート量子pac学習の概念を紹介する。 量子プライベートPACモデルにおいて,QSQモデルの学習性は学習性を意味することを示す。 さらに,プライベートpac学習環境では,古典的および量子的サンプルの複雑度が一定因子まで等しくなっていることを示す。

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)
• A Quantum Leaky Integrate-and-Fire Spiking Neuron and Network [0.0]
  量子ニューロモルフィックコンピューティングのための新しいソフトウェアモデルを導入する。 量子スパイクニューラルネットワーク(QSNN)と量子スパイク畳み込みニューラルネットワーク(QSCNN)の構築において,これらのニューロンを構築ブロックとして利用する。
  論文  参考訳（メタデータ） (2024-07-23T11:38:06Z)
• Single-shot quantum machine learning [0.3277163122167433]
  我々は、量子学習モデルがほぼ決定論的に予測を生成できる時期を分析する。 量子学習モデルがほぼ決定論的である程度は、埋め込み量子状態の識別可能性によって制約されることを示す。 我々は、量子学習モデルは汎用的な方法で単発ではあり得ず、同時に訓練可能であることを示して結論付けた。
  論文  参考訳（メタデータ） (2024-06-19T20:17:18Z)
• 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)
• Quantum Inception Score [0.39102514525861415]
  本稿では,量子発生器の量子開始スコア(qIS)を提案する。 QISは、与えられたデータセットを分類する量子チャネルのホレボ情報に品質を関連付ける。 量子生成モデルとして1次元スピンチェーンモデルの品質評価にQISを適用した。
  論文  参考訳（メタデータ） (2023-11-20T20:28:30Z)
• 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)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Private learning implies quantum stability [5.435793655810987]
  未知のn$-qubit量子状態の学習 rho$ は、量子コンピューティングにおける基本的な課題である。 微分プライベートPAC学習から通信の複雑さ、オンライン学習、量子安定性まで、一連の(情報理論的な)意味を証明します。
  論文  参考訳（メタデータ） (2021-02-14T15:13:25Z)

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。