Fugu-MT 論文翻訳(概要): Quantum ensemble of trained classifiers

論文の概要: Quantum ensemble of trained classifiers

arxiv url: http://arxiv.org/abs/2007.09293v1
Date: Sat, 18 Jul 2020 01:01:33 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 05:25:23.056273
Title: Quantum ensemble of trained classifiers
Title（参考訳）: 訓練された分類器の量子アンサンブル
Authors: Ismael C. S. Araujo and Adenilton J. da Silva
Abstract要約: 量子コンピュータは、利用可能な量子ビットの数に応じて指数的に大きな状態の集合を表現することができる。量子機械学習は、機械学習アルゴリズムを強化する量子コンピューティングの可能性を探る。
参考スコア（独自算出の注目度）: 2.048335092363436
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Through superposition, a quantum computer is capable of representing an exponentially large set of states, according to the number of qubits available. Quantum machine learning is a subfield of quantum computing that explores the potential of quantum computing to enhance machine learning algorithms. An approach of quantum machine learning named quantum ensembles of quantum classifiers consists of using superposition to build an exponentially large ensemble of classifiers to be trained with an optimization-free learning algorithm. In this work, we investigate how the quantum ensemble works with the addition of an optimization method. Experiments using benchmark datasets show the improvements obtained with the addition of the optimization step.
Abstract（参考訳）: 重ね合わせにより、量子コンピュータは利用可能な量子ビットの数に応じて指数的に大きな状態の集合を表現することができる。量子機械学習は量子コンピューティングのサブフィールドであり、量子コンピューティングの可能性を探り、機械学習アルゴリズムを強化する。量子分類器の量子アンサンブルと呼ばれる量子機械学習のアプローチは、重ね合わせを使って指数関数的に大きな分類器アンサンブルを構築し、最適化フリーな学習アルゴリズムで学習する。本研究では,最適化手法の付加により量子アンサンブルがどのように機能するかを検討する。ベンチマークデータセットを用いた実験は、最適化ステップの追加によって得られた改善を示している。

関連論文リスト

Hybrid quantum-classical approach for combinatorial problems at hadron colliders [7.2572969510173655]
粒子物理学実験における問題を解くために量子アルゴリズムの可能性を探る。大型ハドロン衝突型加速器の完全ハドロンチャネルにおけるトップクォーク対生成について検討した。量子アルゴリズムを用いることで,正しいペアリングを選択する効率を大幅に向上することを示す。
論文参考訳（メタデータ） (2024-10-29T18:00:07Z)
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)
The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文参考訳（メタデータ） (2024-08-19T12:18:07Z)
Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
論文参考訳（メタデータ） (2024-07-02T18:00:00Z)
Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文参考訳（メタデータ） (2024-06-17T18:20:51Z)
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 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)
Optimal quantum kernels for small data classification [0.0]
本稿では,量子ゲートシーケンスをデータに適応させるベクトルマシンをサポートするために,量子カーネルを構築するアルゴリズムを示す。少数のトレーニングポイントを持つ分類問題に対する結果の量子モデルの性能は、最適化された古典モデルよりも著しく高い。
論文参考訳（メタデータ） (2022-03-25T18:26:44Z)
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)
Quantum Machine Learning for Particle Physics using a Variational Quantum Classifier [0.0]
本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
論文参考訳（メタデータ） (2020-10-14T18:05:49Z)
On quantum ensembles of quantum classifiers [0.0]
量子機械学習は、量子コンピュータの根底にある性質を利用して機械学習技術を強化する。量子分類器の量子アンサンブルの具体的な実装は、精度重み付き量子アンサンブルと呼ばれ、完全に量子化することができる。一方、一般的な量子アンサンブルフレームワークは、特に量子スピードアップを提供する有名なDeutsch-Jozsaアルゴリズムを含むことが示されている。
論文参考訳（メタデータ） (2020-01-29T13:46:16Z)

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。