論文の概要: Adiabatic Quantum Linear Regression

• arxiv url: http://arxiv.org/abs/2008.02355v1
• Date: Wed, 5 Aug 2020 20:40:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 17:54:48.300275
• Title: Adiabatic Quantum Linear Regression
• Title（参考訳）: Adiabatic Quantum Linear Regression
• Authors: Prasanna Date, Thomas Potok
• Abstract要約: 本稿では,線形回帰モデルをトレーニングするための断熱的量子コンピューティング手法を提案する。 我々の分析によると、量子アプローチは、より大きなデータセットに対する古典的なアプローチよりも最大2.8倍のスピードアップを達成した。
• 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: A major challenge in machine learning is the computational expense of training these models. Model training can be viewed as a form of optimization used to fit a machine learning model to a set of data, which can take up significant amount of time on classical computers. Adiabatic quantum computers have been shown to excel at solving optimization problems, and therefore, we believe, present a promising alternative to improve machine learning training times. In this paper, we present an adiabatic quantum computing approach for training a linear regression model. In order to do this, we formulate the regression problem as a quadratic unconstrained binary optimization (QUBO) problem. We analyze our quantum approach theoretically, test it on the D-Wave 2000Q adiabatic quantum computer and compare its performance to a classical approach that uses the Scikit-learn library in Python. Our analysis shows that the quantum approach attains up to 2.8x speedup over the classical approach on larger datasets, and performs at par with the classical approach on the regression error metric.
• Abstract（参考訳）: 機械学習における大きな課題は、これらのモデルのトレーニングに要する計算コストである。 モデルのトレーニングは、機械学習モデルを一連のデータに適合させる最適化の一形態と見なすことができ、古典的なコンピュータでかなりの時間を要する可能性がある。 断熱型量子コンピュータは最適化問題の解法に優れており、機械学習のトレーニング時間を改善するための有望な代替手段であると考えている。 本稿では,線形回帰モデルの学習のための断熱的量子コンピューティング手法を提案する。 これを実現するために、回帰問題を二次非拘束二元最適化(qubo)問題として定式化する。 量子アプローチを理論的に解析し、d-wave 2000q adiabatic quantum computerでテストし、そのパフォーマンスをpythonのscikit-learnライブラリを使用する古典的なアプローチと比較する。 解析により、量子的アプローチは、より大きなデータセットの古典的アプローチよりも最大2.8倍のスピードアップを実現し、回帰誤差計量の古典的アプローチと同等の性能を発揮することが示された。

関連論文リスト

• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• 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)
• Adaptive Learning for Quantum Linear Regression [10.445957451908695]
  最近の研究で、線形回帰は二次二進最適化問題として定式化された。 このアプローチは、大規模なデータセットに対する計算時間のアドバンテージを約束する。 しかし、解の質は精度ベクトルの必要利用によって制限される。 本研究では,精度ベクター符号化の改良に焦点をあてる。
  論文  参考訳（メタデータ） (2024-08-05T21:09:01Z)
• Adiabatic Quantum Support Vector Machines [0.8445084028034932]
  本稿では,学習支援ベクトルマシンのための断熱的量子アプローチについて述べる。 量子的アプローチの時間的複雑さは、古典的アプローチよりも桁違いに優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-23T04:50:13Z)
• Toward Theoretical Guidance for Two Common Questions in Practical Cross-Validation based Hyperparameter Selection [72.76113104079678]
  クロスバリデーションに基づくハイパーパラメータ選択における2つの一般的な質問に対する最初の理論的治療について述べる。 これらの一般化は、少なくとも、常に再トレーニングを行うか、再トレーニングを行わないかを常に実行可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-12T16:37:12Z)
• 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)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• QBoost for regression problems: solving partial differential equations [0.0]
  ハイブリッドアルゴリズムは、必要なキュービット数において、良好な精度と良好なスケーリングで偏微分方程式の解を求めることができる。 古典的な部分は、機械学習を用いて偏微分方程式を解くことができる複数の回帰器を訓練することによって構成される。 量子部分は、回帰問題を解くためにQBoostアルゴリズムを適用することで構成される。
  論文  参考訳（メタデータ） (2021-08-30T16:13:04Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• QUBO Formulations for Training Machine Learning Models [0.0]
  量子コンピューティングのような非伝統的なコンピューティングパラダイムを活用して、機械学習モデルを効率的にトレーニングします。 線形回帰、サポートベクターマシン(SVM)、等サイズのk平均クラスタリングの3つの機械学習モデルのトレーニング問題をQUBO問題として定式化し、断熱量子コンピュータで効率的にトレーニングできるようにした。 我々の定式化の時間と空間の複雑さは(SVM や等サイズの k-平均クラスタリングの場合)、あるいは(線形回帰の場合)その古典的表現と同等であることを示す。
  論文  参考訳（メタデータ） (2020-08-05T21:16:05Z)

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。