Fugu-MT 論文翻訳(概要): Enhancing Generative Models via Quantum Correlations

論文の概要: Enhancing Generative Models via Quantum Correlations

arxiv url: http://arxiv.org/abs/2101.08354v1
Date: Wed, 20 Jan 2021 22:57:22 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 01:31:10.328146
Title: Enhancing Generative Models via Quantum Correlations
Title（参考訳）: 量子相関による生成モデルの強化
Authors: Xun Gao, Eric R. Anschuetz, Sheng-Tao Wang, J. Ignacio Cirac and Mikhail D. Lukin
Abstract要約: 確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。このような量子相関が生成モデリングの強力な資源となることを理論的に示す。この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
参考スコア（独自算出の注目度）: 1.6099403809839032
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative modeling using samples drawn from the probability distribution constitutes a powerful approach for unsupervised machine learning. Quantum mechanical systems can produce probability distributions that exhibit quantum correlations which are difficult to capture using classical models. We show theoretically that such quantum correlations provide a powerful resource for generative modeling. In particular, we provide an unconditional proof of separation in expressive power between a class of widely-used generative models, known as Bayesian networks, and its minimal quantum extension. We show that this expressivity advantage is associated with quantum nonlocality and quantum contextuality. Furthermore, we numerically test this separation on standard machine learning data sets and show that it holds for practical problems. The possibility of quantum advantage demonstrated in this work not only sheds light on the design of useful quantum machine learning protocols but also provides inspiration to draw on ideas from quantum foundations to improve purely classical algorithms.
Abstract（参考訳）: 確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。量子力学系は、古典モデルを用いて捉えるのが難しい量子相関を示す確率分布を生成することができる。このような量子相関が生成モデリングの強力な資源であることを示す。特に、ベイズネットワークと呼ばれる広く使われている生成モデルのクラスと、その最小量子拡張との間の表現力の無条件な分離証明を提供する。この表現性アドバンテージは、量子非局所性と量子文脈性と関連していることを示す。さらに,この分離を標準機械学習データセット上で数値的にテストし,実用的問題に対して有効であることを示す。この研究で証明された量子アドバンテージの可能性は、有用な量子機械学習プロトコルの設計に光を当てるだけでなく、純粋に古典的なアルゴリズムを改善するために量子ファンデーションのアイデアに着想を与える。