論文の概要: Optimal Provable Robustness of Quantum Classification via Quantum Hypothesis Testing

• arxiv url: http://arxiv.org/abs/2009.10064v2
• Date: Wed, 26 May 2021 09:07:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 04:42:48.541501
• Title: Optimal Provable Robustness of Quantum Classification via Quantum Hypothesis Testing
• Title（参考訳）: 量子仮説法による量子分類の最適確率ロバスト性
• Authors: Maurice Weber, Nana Liu, Bo Li, Ce Zhang, Zhikuan Zhao
• Abstract要約: 量子機械学習モデルには、従来のモデルに比べてスピードアップと予測精度が向上する可能性がある。 これらの量子アルゴリズムは、古典的なアルゴリズムと同様に、入力摂動に弱いことが示されている。 これらは、ノイズの多い実装か、最悪のタイプのノイズとして、敵攻撃から生じる可能性がある。
• 参考スコア（独自算出の注目度）: 14.684867444153625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning models have the potential to offer speedups and better predictive accuracy compared to their classical counterparts. However, these quantum algorithms, like their classical counterparts, have been shown to also be vulnerable to input perturbations, in particular for classification problems. These can arise either from noisy implementations or, as a worst-case type of noise, adversarial attacks. In order to develop defence mechanisms and to better understand the reliability of these algorithms, it is crucial to understand their robustness properties in presence of natural noise sources or adversarial manipulation. From the observation that measurements involved in quantum classification algorithms are naturally probabilistic, we uncover and formalize a fundamental link between binary quantum hypothesis testing and provably robust quantum classification. This link leads to a tight robustness condition which puts constraints on the amount of noise a classifier can tolerate, independent of whether the noise source is natural or adversarial. Based on this result, we develop practical protocols to optimally certify robustness. Finally, since this is a robustness condition against worst-case types of noise, our result naturally extends to scenarios where the noise source is known. Thus, we also provide a framework to study the reliability of quantum classification protocols beyond the adversarial, worst-case noise scenarios.
• Abstract（参考訳）: 量子機械学習モデルには、従来のモデルに比べてスピードアップと予測精度が向上する可能性がある。 しかし、これらの量子アルゴリズムは、古典的アルゴリズムと同様に、特に分類問題において、入力摂動にも弱いことが示されている。 これらは、ノイズの多い実装または最悪のタイプのノイズとして、敵攻撃から生じる可能性がある。 防御機構を発達させ, アルゴリズムの信頼性をよりよく理解するためには, 自然騒音源や逆操作の存在下でのロバスト性を理解することが重要である。 量子分類アルゴリズムに関わる測定が自然確率的であるという観察から、バイナリ量子仮説テストと証明可能な堅牢な量子分類の基本的な関係を発見し、定式化する。 このリンクは、ノイズ源が自然か逆かに関わらず、分類器が許容できる雑音量に制約を課す強固な堅牢性条件をもたらす。 この結果に基づいて,ロバスト性を最適に証明する実用的なプロトコルを開発した。 最後に、これは最悪のノイズタイプに対するロバスト性条件であるので、ノイズ源が分かっているシナリオに自然に拡張できる。 このようにして、逆の最悪のノイズシナリオを超えて量子分類プロトコルの信頼性を研究するためのフレームワークも提供する。

関連論文リスト

• Classical Verification of Quantum Learning Advantages with Noises [0.27930367518472443]
  本稿では,量子フーリエサンプリング回路で得られるノイズのない結果を再構成する,効率的な古典的誤り訂正アルゴリズムを提案する。 また、ランダムな例のオラクルにアクセス可能な古典的クライアントは、ノイズのある量子証明器によるパリティ学習結果の検証も可能であることを証明した。
  論文  参考訳（メタデータ） (2024-11-14T06:14:39Z)
• Power Characterization of Noisy Quantum Kernels [52.47151453259434]
  一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。 我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
  論文  参考訳（メタデータ） (2024-01-31T01:02:16Z)
• RobustMQ: Benchmarking Robustness of Quantized Models [54.15661421492865]
  量子化は、限られたリソースを持つデバイスにディープニューラルネットワーク(DNN)をデプロイする上で不可欠なテクニックである。 我々は、ImageNet上の様々なノイズ(障害攻撃、自然破壊、系統的なノイズ)に対する量子化モデルのロバスト性について、徹底的に評価した。 我々の研究は、モデルとその実世界のシナリオにおける展開の堅牢な定量化を推し進めることに貢献している。
  論文  参考訳（メタデータ） (2023-08-04T14:37:12Z)
• Compressed gate characterization for quantum devices with time-correlated noise [0.0]
  本稿では,時間関連ノイズの存在下での量子プロセストモグラフィ(QPT)の一般的な枠組みについて述べる。 本手法の適用例として,シリコンスピン量子ビットの比較理論的および実験的解析を行った。 理論的に予測されたプロセスの忠実度と2つのqubitインターリーブされたランダム化されたベンチマークの忠実度との間には、最近のシリコンスピン量子ビットに関する実験で測定された99.8%の一致が得られた。
  論文  参考訳（メタデータ） (2023-07-26T18:05:49Z)
• Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• Certified Robustness of Quantum Classifiers against Adversarial Examples through Quantum Noise [68.1992787416233]
  量子ランダムな回転雑音を加えることで、敵攻撃に対する量子分類器のロバスト性を向上できることを示す。 我々は、量子分類器が敵の例に対して防御できるように、証明された堅牢性を導出する。
  論文  参考訳（メタデータ） (2022-11-02T05:17:04Z)
• Evaluating the Resilience of Variational Quantum Algorithms to Leakage Noise [6.467585493563487]
  漏れノイズは、エラー訂正アプローチでは処理できないエラーの損傷源である。 このノイズが変分量子アルゴリズム(VQA)の性能に与える影響はまだ分かっていない。
  論文  参考訳（メタデータ） (2022-08-10T14:50:14Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)
• 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。