論文の概要: Entanglement assisted training algorithm for supervised quantum classifiers

• arxiv url: http://arxiv.org/abs/2006.13302v2
• Date: Tue, 22 Sep 2020 15:20:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-13 00:31:28.624297
• Title: Entanglement assisted training algorithm for supervised quantum classifiers
• Title（参考訳）: 教師付き量子分類器の絡み合い支援訓練アルゴリズム
• Authors: Soumik Adhikary
• Abstract要約: 我々は、量子絡み合いの性質を利用して、複数のトレーニングサンプルをラベルとともに操作できるモデルを構築した。 ベル不品質に基づくコスト関数が構築され、複数のサンプルからのエラーを同時にエンコードすることができる。 このコスト関数を最小化することで、ベンチマークデータセットの分類に成功できることが示される。
• 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: We propose a new training algorithm for supervised quantum classifiers. Here, we have harnessed the property of quantum entanglement to build a model that can simultaneously manipulate multiple training samples along with their labels. Subsequently a Bell-inequality based cost function is constructed, that can encode errors from multiple samples, simultaneously, in a way that is not possible by any classical means. We show that upon minimizing this cost function one can achieve successful classification in benchmark datasets. The results presented in this paper are for binary classification problems. Nevertheless, the analysis can be extended to multi-class classification problems as well.
• Abstract（参考訳）: 教師付き量子分類器のための新しいトレーニングアルゴリズムを提案する。 ここでは,量子エンタングルメントの特性を利用して,複数のトレーニングサンプルとラベルを同時に操作できるモデルを構築した。 その後ベル不等式に基づくコスト関数が構築され、古典的な方法では不可能な方法で複数のサンプルからのエラーを同時にエンコードすることができる。 このコスト関数を最小化すれば,ベンチマークデータセットの分類が成功できることを示す。 本稿では,二分分類の問題について述べる。 それでも、分析は多クラス分類の問題にも拡張できる。

関連論文リスト

• Quantification using Permutation-Invariant Networks based on Histograms [47.47360392729245]
  量子化とは、モデルが与えられたサンプルの袋の中で各クラスの有病率を予測するために訓練される教師付き学習タスクである。 本稿では、対称的教師あり手法の適用が可能なシナリオにおいて、量子化タスクへのディープニューラルネットワークの適用について検討する。 ヒストグラムに基づく置換不変表現に依存する新しいニューラルアーキテクチャHistNetQを提案する。
  論文  参考訳（メタデータ） (2024-03-22T11:25:38Z)
• Quantum-inspired classification based on quantum state discrimination [0.774229787612056]
  量子状態判別の問題に触発された分類タスクに対する量子インスピレーション付きアルゴリズムを提案する。 構築によって、これらのアルゴリズムは多重クラス分類を実行し、オーバーフィッティングを防止し、確率出力を生成することができる。 量子コンピュータで実装できるが、ここではそのようなアルゴリズムの古典的な実装に焦点を当てる。
  論文  参考訳（メタデータ） (2023-03-27T16:09:40Z)
• Ensemble-learning variational shallow-circuit quantum classifiers [4.104704267247209]
  本稿では,ブートストラップ集約と適応的ブースティングという,アンサンブル学習の2つの手法を提案する。 これらのプロトコルは古典的な手書き数字や対称性で保護されたトポロジカルハミルトニアンの量子位相の識別のために例示されている。
  論文  参考訳（メタデータ） (2023-01-30T07:26:35Z)
• Generalization Bounds for Few-Shot Transfer Learning with Pretrained Classifiers [26.844410679685424]
  本研究では,新しいクラスに移動可能な分類の表現を基礎モデルで学習する能力について検討する。 クラス-機能-変数の崩壊の場合,新しいクラスで学習した特徴マップのわずかな誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2022-12-23T18:46:05Z)
• 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)
• Multi-class Classification with Fuzzy-feature Observations: Theory and Algorithms [36.810603503167755]
  我々は,MCIMO(Multi-class classification with Imprecise Observation)と呼ばれる新しい現実的問題に対処する新しい枠組みを提案する。 まず,ファジィラデマッハの複雑性に基づくMCIMO問題の理論的解析を行う。 そこで,提案した課題を解決するために,サポートベクタマシンとニューラルネットワークに基づく2つの実用的なアルゴリズムを構築した。
  論文  参考訳（メタデータ） (2022-06-09T07:14:00Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。