論文の概要: Practical application improvement to Quantum SVM: theory to practice
- arxiv url: http://arxiv.org/abs/2012.07725v1
- Date: Mon, 14 Dec 2020 17:19:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 14:15:59.239011
- Title: Practical application improvement to Quantum SVM: theory to practice
- Title（参考訳）: 量子svmへの実践的応用改善:理論から実践へ
- Authors: Jae-Eun Park, Brian Quanz, Steve Wood, Heather Higgins, Ray
Harishankar
- Abstract要約: 量子特徴写像を用いて、データを量子状態に変換し、これらの量子状態からSVMカーネルを構築する。
実験では,データセットの複雑さに関わらず,QSVMがSVMに対して等しく動作することを示す。
- 参考スコア（独自算出の注目度）: 0.9449650062296824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum machine learning (QML) has emerged as an important area for Quantum
applications, although useful QML applications would require many qubits.
Therefore our paper is aimed at exploring the successful application of the
Quantum Support Vector Machine (QSVM) algorithm while balancing several
practical and technical considerations under the Noisy Intermediate-Scale
Quantum (NISQ) assumption. For the quantum SVM under NISQ, we use quantum
feature maps to translate data into quantum states and build the SVM kernel out
of these quantum states, and further compare with classical SVM with radial
basis function (RBF) kernels. As data sets are more complex or abstracted in
some sense, classical SVM with classical kernels leads to less accuracy
compared to QSVM, as classical SVM with typical classical kernels cannot easily
separate different class data. Similarly, QSVM should be able to provide
competitive performance over a broader range of data sets including ``simpler''
data cases in which smoother decision boundaries are required to avoid any
model variance issues (i.e., overfitting). To bridge the gap between
``classical-looking'' decision boundaries and complex quantum decision
boundaries, we propose to utilize general shallow unitary transformations to
create feature maps with rotation factors to define a tunable quantum kernel,
and added regularization to smooth the separating hyperplane model. We show in
experiments that this allows QSVM to perform equally to SVM regardless of the
complexity of the data sets and outperform in some commonly used reference data
sets.
- Abstract（参考訳）: 量子機械学習(QML)は量子アプリケーションにとって重要な分野であるが、有用なQMLアプリケーションは多くの量子ビットを必要とする。
そこで本論文は, 雑音中規模量子(nisq)仮定下での実用的, 技術的考察のバランスを保ちつつ, 量子サポートベクトルマシン(qsvm)アルゴリズムの応用性を検討することを目的としている。
NISQの下での量子SVMでは、量子特徴写像を用いてデータを量子状態に変換し、これらの量子状態からSVMカーネルを構築し、さらに古典的なSVMと放射基底関数(RBF)カーネルと比較する。
データセットが何らかの意味で複雑あるいは抽象化されているため、古典的カーネルを持つ古典的SVMは、古典的カーネルを持つ古典的SVMとQSVMの精度が低い。
同様に、QSVMはモデル分散の問題(すなわちオーバーフィッティング)を避けるために、よりスムーズな決定境界を必要とする ``simpler'' データケースを含む幅広いデータセットに対して、競争力のあるパフォーマンスを提供することができるべきである。
古典的見た目' 決定境界と複雑な量子決定境界とのギャップを埋めるために、一般の浅層ユニタリ変換を用いて、回転係数を持つ特徴写像を作成し、波長可変量子カーネルを定義し、分離超平面モデルを滑らかにするために正規化を加えることを提案する。
実験では、QSVMは、データセットの複雑さによらず、SVMに対して等しく動作し、よく使われる参照データセットでは性能が優れていることを示す。
関連論文リスト
- 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) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - Machine Learning in the Quantum Age: Quantum vs. Classical Support
Vector Machines [0.0]
この研究は、古典的および量子計算パラダイムにおける機械学習アルゴリズムの有効性を判断する努力である。
我々は、Irisデータセット上で量子ハードウェアで動作する古典的なSVMと量子サポートベクトルマシンの分類技術を精査する。
論文 参考訳（メタデータ） (2023-10-17T01:06:59Z) - Semisupervised Anomaly Detection using Support Vector Regression with
Quantum Kernel [0.0]
異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。
本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。
量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
論文 参考訳（メタデータ） (2023-08-01T15:00:14Z) - Majorization-based benchmark of the complexity of quantum processors [105.54048699217668]
我々は、様々な量子プロセッサの動作を数値的にシミュレートし、特徴付ける。
我々は,各デバイスの性能をベンチマークラインと比較することにより,量子複雑性を同定し,評価する。
我々は、回路の出力状態が平均して高い純度である限り、偏化ベースのベンチマークが成り立つことを発見した。
論文 参考訳（メタデータ） (2023-04-10T23:01:10Z) - A Single-Step Multiclass SVM based on Quantum Annealing for Remote
Sensing Data Classification [26.80167258721593]
本研究は,QMSVM(Quantum Multiclass SVM)と呼ばれる,量子アニールに基づく直接多クラス分類のための新しい量子SVMを提案する。
この研究の主な目的は、このアプローチの実現可能性、正確性、および時間性能を評価することである。
リモートセンシングデータの分類問題に対するD-Wave Advantage 量子アニールを用いた実験が実施されている。
論文 参考訳（メタデータ） (2023-03-21T09:51:19Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - A kernel-based quantum random forest for improved classification [0.0]
従来の古典的学習手法を強化する量子機械学習(QML)は、その実現に様々な制限がある。
量子カーネル推定(QKE)によって計算されるカーネル関数で線形量子支援ベクトルマシン(QSVM)を拡張する。
オーバーフィッティングを制限するため、カーネル行列に低ランクNystr"om近似を適用するようモデルをさらに拡張する。
論文 参考訳（メタデータ） (2022-10-05T15:57:31Z) - Variational Quantum Approximate Support Vector Machine With Inference
Transfer [0.8057006406834467]
複素データの超線形分類のためのカーネルベースの量子機械学習手法を提案する。
サポートベクトルマシンは、量子回路上で本質的にかつ明示的に実現することができる。
虹彩データ分類の精度は98.8%に達した。
論文 参考訳（メタデータ） (2022-06-29T09:56:59Z) - Accelerating variational quantum algorithms with multiple quantum
processors [78.36566711543476]
変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。
現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。
ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
論文 参考訳（メタデータ） (2021-06-24T08:18:42Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z)
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。