論文の概要: Quantum Ensemble for Classification
- arxiv url: http://arxiv.org/abs/2007.01028v3
- Date: Tue, 18 Jan 2022 18:36:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 13:53:18.191667
- Title: Quantum Ensemble for Classification
- Title（参考訳）: 分類のための量子アンサンブル
- Authors: Antonio Macaluso, Luca Clissa, Stefano Lodi, Claudio Sartori
- Abstract要約: 機械学習のパフォーマンスを改善する強力な方法は、複数のモデルの予測を組み合わせたアンサンブルを構築することである。
量子重ね合わせ,絡み合い,干渉を利用して分類モデルのアンサンブルを構築する新しい量子アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 2.064612766965483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A powerful way to improve performance in machine learning is to construct an
ensemble that combines the predictions of multiple models. Ensemble methods are
often much more accurate and lower variance than the individual classifiers
that make them up but have high requirements in terms of memory and
computational time. In fact, a large number of alternative algorithms is
usually adopted, each requiring to query all available data.
We propose a new quantum algorithm that exploits quantum superposition,
entanglement and interference to build an ensemble of classification models.
Thanks to the generation of the several quantum trajectories in superposition,
we obtain $B$ transformations of the quantum state which encodes the training
set in only $log\left(B\right)$ operations. This implies exponential growth of
the ensemble size while increasing linearly the depth of the correspondent
circuit. Furthermore, when considering the overall cost of the algorithm, we
show that the training of a single weak classifier impacts additively the
overall time complexity rather than multiplicatively, as it usually happens in
classical ensemble methods.
We also present small-scale experiments on real-world datasets, defining a
quantum version of the cosine classifier and using the IBM qiskit environment
to show how the algorithms work.
- Abstract（参考訳）: 機械学習のパフォーマンスを改善する強力な方法は、複数のモデルの予測を組み合わせたアンサンブルを構築することである。
アンサンブル法は個々の分類器よりもはるかに正確で分散度が低いことが多いが、メモリや計算時間に関しては高い要求がある。
実際、多くの代替アルゴリズムが採用され、それぞれが利用可能なすべてのデータをクエリする必要がある。
本稿では,量子重ね合わせ,絡み合い,干渉を利用して分類モデルのアンサンブルを構築する新しい量子アルゴリズムを提案する。
重ね合わせにおけるいくつかの量子軌道の生成により、トレーニングセットをわずか$log\left(B\right)$演算でエンコードする量子状態の$B$変換が得られる。
これは、対応する回路の深さを線形に増加させながら、アンサンブルサイズが指数関数的に増加することを意味する。
さらに,アルゴリズム全体のコストを考慮すれば,従来のアンサンブル法のように,単一の弱分類器の訓練が乗算よりも全体の時間複雑性に付加的に影響を及ぼすことを示す。
また,実世界のデータセットに関する小規模実験を行い,コサイン分類器の量子バージョンを定義し,ibm qiskit環境を用いてアルゴリズムの動作を示す。
関連論文リスト
- Improving the Reliability of Quantum Circuits by Evolving Heterogeneous Ensembles [4.014524824655107]
量子コンピュータは、従来のコンピュータよりも指数関数的に高速な演算を実行できるが、量子回路の設計は困難である。
進化的アルゴリズムを用いて確率論的量子回路を作り、どの入力に対してもより頻繁に正しい出力を与える。
この結果から,異種アンサンブルの進化は,量子回路の信頼性向上に有効な戦略であることが示唆された。
論文 参考訳（メタデータ） (2024-09-13T12:38:17Z) - 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) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Variational quantum regression algorithm with encoded data structure [0.21756081703276003]
量子状態が古典的データテーブルを直接エンコードする量子回帰アルゴリズムを構築する。
量子サブルーチンを通して、古典的なデータ構造のリンクを直接利用することができることを示す。
論文 参考訳（メタデータ） (2023-07-07T00:30:16Z) - 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) - Quantum Worst-Case to Average-Case Reductions for All Linear Problems [66.65497337069792]
量子アルゴリズムにおける最悪のケースと平均ケースの削減を設計する問題について検討する。
量子アルゴリズムの明示的で効率的な変換は、入力のごく一部でのみ正し、全ての入力で正しくなる。
論文 参考訳（メタデータ） (2022-12-06T22:01:49Z) - 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) - Variational Quantum and Quantum-Inspired Clustering [0.0]
本稿では,変動量子回路に基づくクラスタリングのための量子アルゴリズムを提案する。
このアルゴリズムはデータを多くのクラスタに分類することができ、数量子のノイズ中間スケール量子(NISQ)デバイスで容易に実装できる。
論文 参考訳（メタデータ） (2022-06-20T17:02:19Z) - Entanglement and coherence in Bernstein-Vazirani algorithm [58.720142291102135]
Bernstein-Vaziraniアルゴリズムは、オラクルに符号化されたビット文字列を決定できる。
我々はベルンシュタイン・ヴァジラニアルゴリズムの量子資源を詳細に分析する。
絡み合いがない場合、初期状態における量子コヒーレンス量とアルゴリズムの性能が直接関係していることが示される。
論文 参考訳（メタデータ） (2022-05-26T20:32:36Z) - Quantum Semi-Supervised Kernel Learning [4.726777092009554]
本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。
完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
論文 参考訳（メタデータ） (2022-04-22T13:39:55Z)
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。