論文の概要: Robust data encodings for quantum classifiers

• arxiv url: http://arxiv.org/abs/2003.01695v1
• Date: Tue, 3 Mar 2020 18:36:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 23:27:10.655515
• Title: Robust data encodings for quantum classifiers
• Title（参考訳）: 量子分類器のためのロバストデータ符号化
• Authors: Ryan LaRose, Brian Coyle
• Abstract要約: 本稿では,二項量子分類のためのデータ符号化について検討し,その特性をノイズと無雑音の両方で検討する。 我々は,学習可能な決定境界のクラスと,雑音の有無で同一の分類を保持する点の集合を符号化によって決定することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data representation is crucial for the success of machine learning models. In the context of quantum machine learning with near-term quantum computers, equally important considerations of how to efficiently input (encode) data and effectively deal with noise arise. In this work, we study data encodings for binary quantum classification and investigate their properties both with and without noise. For the common classifier we consider, we show that encodings determine the classes of learnable decision boundaries as well as the set of points which retain the same classification in the presence of noise. After defining the notion of a robust data encoding, we prove several results on robustness for different channels, discuss the existence of robust encodings, and prove an upper bound on the number of robust points in terms of fidelities between noisy and noiseless states. Numerical results for several example implementations are provided to reinforce our findings.
• Abstract（参考訳）: データ表現は、機械学習モデルの成功に不可欠である。 短期量子コンピュータを用いた量子機械学習の文脈では、データを効率的に入力(エンコード)し、ノイズを効果的に処理する方法について、同様に重要な考慮が生じる。 本研究では,二項量子分類のためのデータ符号化について検討し,その特性をノイズの有無を問わず検討する。 提案する共通分類器では,符号化が学習可能な決定境界のクラスと,ノイズの存在下で同じ分類を保った点の集合を決定することを示す。 ロバストなデータエンコーディングの概念を定義した後、異なるチャネルのロバスト性に関するいくつかの結果を示し、ロバストエンコーディングの存在を議論し、ノイズとノイズのない状態の間のフィダリティの観点からロバストな点の数の上限を証明した。 本研究の成果を裏付けるために,いくつかの実装の数値的な結果を提供する。

関連論文リスト

• Certifiably Robust Encoding Schemes [40.54768963869454]
  量子機械学習は、量子力学の原理を使ってデータを処理し、速度と性能の潜在的な進歩を提供する。 これまでの研究では、これらのモデルが入力データを操作したり、量子回路のノイズを悪用したりする攻撃を受けやすいことが示されている。 本研究では,従来のデータ符号化方式における摂動に対するロバスト性を調べることで,この研究線を拡張した。
  論文  参考訳（メタデータ） (2024-08-02T11:29:21Z)
• Ensembles of Quantum Classifiers [0.0]
  量子分類アルゴリズムの実行に有効なアプローチは、アンサンブル法の導入である。 本稿では,二項分類のための量子分類器のアンサンブルの実装と実証評価について述べる。
  論文  参考訳（メタデータ） (2023-11-16T10:27:25Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• Improving the Robustness of Summarization Systems with Dual Augmentation [68.53139002203118]
  頑健な要約システムは、入力中の特定の単語の選択やノイズに関わらず、文書のギストをキャプチャできるべきである。 まず,単語レベルの同義語置換や雑音を含む摂動に対する要約モデルの頑健性について検討する。 SummAttackerを提案する。これは言語モデルに基づく対数サンプルを生成するための効率的な手法である。
  論文  参考訳（メタデータ） (2023-06-01T19:04:17Z)
• Data re-uploading with a single qudit [1.0923877073891446]
  2段階の量子システム、すなわち量子ビットは、ほとんどの量子機械学習のアプローチの基礎となる。 量子機械学習のコンテキストにおけるマルチレベル量子システム、いわゆるクイディットの機能について検討する。
  論文  参考訳（メタデータ） (2023-02-27T16:32:16Z)
• 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)
• Some aspects of noise in binary classification with quantum circuits [2.2311710049695446]
  本研究では,量子回路を用いた二値分類の性能に及ぼす実量子ハードウェアの影響について検討した。 データ中のノイズが正規化器として機能することを示し、機械学習問題のある場合のノイズによる潜在的な利点を示唆する。
  論文  参考訳（メタデータ） (2022-11-11T22:06:17Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Facial Expression Recognition on a Quantum Computer [68.8204255655161]
  量子機械学習手法を用いて表情認識の可能な解を示す。 適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
  論文  参考訳（メタデータ） (2021-02-09T13:48:00Z)
• Polyadic Quantum Classifier [0.0]
  NISQアーキテクチャ上でのマルチクラス分類のための教師付き量子機械学習アルゴリズムを紹介する。 パラメトリック量子回路は、入力されたデータポイントのクラスに対応する特定のビット文字列を出力するように訓練される。 我々は、IBMq 5量子ビット量子コンピュータ上でそれをトレーニングし、テストし、そのアルゴリズムは精度が高いことを示す。
  論文  参考訳（メタデータ） (2020-07-28T08:00:12Z)
• Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
  量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。 量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。 これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
  論文  参考訳（メタデータ） (2020-03-20T17:56:14Z)

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。