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。

関連論文リスト

• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Variational Quantum Policy Gradients with an Application to Quantum Control [0.0]
  量子機械学習モデルは、変分量子回路(VQC)によって非常に自然な方法で構成される。 本研究では,ハードウェア効率のよいアザッツを用いたポリシグラディエンスについて考察する。 量子ハードウェアを用いた勾配のエプシロン近似を求める複雑さは、パラメータの数と対数的にしか比較できないことを証明した。
  論文  参考訳（メタデータ） (2022-03-20T16:14:49Z)
• Quantum neural networks force fields generation [0.0]
  量子ニューラルネットワークアーキテクチャを設計し、複雑性が増大するさまざまな分子に適用することに成功しています。 量子モデルは古典的なモデルに対してより大きな有効次元を示し、競争性能に達することができる。
  論文  参考訳（メタデータ） (2022-03-09T12:10:09Z)
• Quantum machine learning beyond kernel methods [0.0]
  パラメタライズド量子回路モデルは、カーネルの定式化よりも極めて優れた一般化性能を示すことを示す。 我々の結果は、カーネルの定式化の隣の量子機械学習モデルのより包括的な理論に向けた別のステップを構成する。
  論文  参考訳（メタデータ） (2021-10-25T18:00:02Z)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)
• On exploring practical potentials of quantum auto-encoder with advantages [92.19792304214303]
  量子オートエンコーダ(QAE)は、量子物理学で遭遇する次元の呪いを和らげるための強力なツールである。 我々はQAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを作成できることを証明した。 低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジーの課題を解決するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Quantum Self-Supervised Learning [22.953284192004034]
  対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
  論文  参考訳（メタデータ） (2021-03-26T18:00:00Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Facial Expression Recognition on a Quantum Computer [68.8204255655161]
  量子機械学習手法を用いて表情認識の可能な解を示す。 適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
  論文  参考訳（メタデータ） (2021-02-09T13:48:00Z)

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。