Fugu-MT 論文翻訳(概要): Quantum semi-supervised generative adversarial network for enhanced data classification

論文の概要: Quantum semi-supervised generative adversarial network for enhanced data classification

arxiv url: http://arxiv.org/abs/2010.13727v1
Date: Mon, 26 Oct 2020 17:11:49 GMT
ステータス: 処理完了
システム内更新日: 2023-04-27 11:19:52.568471
Title: Quantum semi-supervised generative adversarial network for enhanced data classification
Title（参考訳）: 拡張データ分類のための量子半教師付き生成対向ネットワーク
Authors: Kouhei Nakaji and Naoki Yamamoto
Abstract要約: 量子半教師付き生成逆数ネットワーク(qSGAN)を提案する。このシステムは量子発生器と古典的判別器/分類器(D/C)から構成される。
参考スコア（独自算出の注目度）: 1.1110435360741175
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose the quantum semi-supervised generative adversarial network (qSGAN). The system is composed of a quantum generator and a classical discriminator/classifier (D/C). The goal is to train both the generator and the D/C, so that the latter may get a high classification accuracy for a given dataset. The generator needs neither any data loading nor to generate a pure quantum state, while it is expected to serve as a stronger adversary than a classical one thanks to its rich expressibility. These advantages are demonstrated in a numerical simulation.
Abstract（参考訳）: 本稿では,量子半教師付き生成逆数ネットワーク(qSGAN)を提案する。このシステムは量子発生器と古典的判別器/分類器(d/c)から構成される。目標は、ジェネレータとD/Cの両方をトレーニングし、後者が与えられたデータセットに対して高い分類精度が得られるようにすることだ。データローディングも純粋な量子状態の生成も必要とせず、リッチな表現性のおかげで従来のものよりも強力な敵として機能することが期待されている。これらの利点は数値シミュレーションで示される。

関連論文リスト

Dissipation-driven quantum generative adversarial networks [11.833077116494929]
本稿では,従来のデータ生成に適した,分散駆動型量子生成逆数ネットワーク(DQGAN)アーキテクチャを提案する。古典データは、強い調整された散逸過程を通じて入力層の入力量子ビットに符号化される。出力量子ビットの定常状態の可観測値を測定することにより、生成されたデータと分類結果の両方を抽出する。
論文参考訳（メタデータ） (2024-08-28T07:41:58Z)
Quantum transport on networks for supervised classification [0.0]
トレーニングされた量子ネットワークにおける粒子の量子輸送に基づく新しいタイプの量子分類器を提案する。まず、波動関数は所定の(ランダム)群との重なりに応じて分類される。第二に、波動関数はその位置化のレベルに応じて分類する。第3の分類法は「現実の問題」であり、触媒性芳香族-アルデヒド基質の反応性による分類に関するものである。
論文参考訳（メタデータ） (2023-11-04T15:57:43Z)
ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文参考訳（メタデータ） (2023-08-22T09:11:53Z)
A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文参考訳（メタデータ） (2023-03-27T22:48:28Z)
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)
QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文参考訳（メタデータ） (2022-11-09T21:43:16Z)
Towards a scalable discrete quantum generative adversarial neural network [8.134122612459633]
本稿では,バイナリデータを用いた完全量子生成対向ネットワークを提案する。特に、生成器にノイズ再負荷、識別器に補助量子ビットを組み込んで、表現性を高める。我々は、Isingモデルの合成データと低エネルギー状態の両方に対して、我々のモデルの表現力を実証的に示す。
論文参考訳（メタデータ） (2022-09-28T10:42:38Z)
Dissipative quantum generative adversarial networks [0.0]
2つの散逸型量子ニューラルネットワーク(DQNN)を用いた生成逆モデルを構築する。両部を競争的に訓練することで,よく訓練されたDQNNが得られることがわかった。
論文参考訳（メタデータ） (2021-12-11T22:59:40Z)
Entangling Quantum Generative Adversarial Networks [53.25397072813582]
量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
論文参考訳（メタデータ） (2021-04-30T20:38:41Z)
Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文参考訳（メタデータ） (2020-12-07T18:51:28Z)
Quantum State Tomography with Conditional Generative Adversarial Networks [0.7646713951724009]
量子状態トモグラフィー(QST)に条件付き生成逆数ネットワーク(CGAN)を適用する。 CGANフレームワークでは、2つのデュエルニューラルネットワーク、ジェネレータと識別器がデータからマルチモーダルモデルを学ぶ。我々のQST-CGANは、標準最大化法よりもはるかに高速で、しかも少ないデータで光量子状態を再構成することを示した。
論文参考訳（メタデータ） (2020-08-07T15:58:50Z)

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。