論文の概要: Quantum Inspired Adaptive Boosting
- arxiv url: http://arxiv.org/abs/2102.00949v1
- Date: Mon, 1 Feb 2021 16:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 15:11:47.723694
- Title: Quantum Inspired Adaptive Boosting
- Title(参考訳): 量子インスパイアされた適応ブースティング
- Authors: B\'alint Dar\'oczy, Katalin Friedl, L\'aszl\'o Kab\'odi, Attila
Pereszl\'enyi, D\'aniel Szab\'o
- Abstract要約: 量子アンサンブル法は古典的アルゴリズムに勝らないことを示す。
本稿では,量子アンサンブル法と適応的なブースティングを組み合わせた手法を提案する。
アルゴリズムはテストされ、公開データセット上のAdaBoostアルゴリズムに匹敵することがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building on the quantum ensemble based classifier algorithm of Schuld and
Petruccione [arXiv:1704.02146v1], we devise equivalent classical algorithms
which show that this quantum ensemble method does not have advantage over
classical algorithms. Essentially, we simplify their algorithm until it is
intuitive to come up with an equivalent classical version. One of the classical
algorithms is extremely simple and runs in constant time for each input to be
classified. We further develop the idea and, as the main contribution of the
paper, we propose methods inspired by combining the quantum ensemble method
with adaptive boosting. The algorithms were tested and found to be comparable
to the AdaBoost algorithm on publicly available data sets.
- Abstract(参考訳): Schuld と Petruccione [arXiv:1704.02146v1] の量子アンサンブルに基づく分類アルゴリズムに基づいて、この量子アンサンブル法が古典アルゴリズムよりも有利でないことを示す等価な古典アルゴリズムを考案した。
基本的には、それらのアルゴリズムを、同等の古典的なバージョンを思いつくまで単純化する。
古典的なアルゴリズムの1つは極めて単純で、各入力を分類するために一定時間実行される。
さらに,本論文の主な貢献として,量子アンサンブル法と適応的なブースティングを組み合わせた手法を提案する。
アルゴリズムはテストされ、公開データセット上のAdaBoostアルゴリズムに匹敵することがわかった。
関連論文リスト
- A quantum advantage over classical for local max cut [63.060664749060805]
量子最適化近似アルゴリズム(QAOA)は、次数3グラフ上の古典的手法に匹敵する計算上の優位性を持つ。
結果として、最先端の量子ハードウェアに関係している小規模量子計算でさえ、比較可能な単純な古典よりも大きな優位性を持つ可能性が示唆された。
論文 参考訳(メタデータ) (2023-04-17T16:42:05Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳(メタデータ) (2022-12-13T16:04:16Z) - Efficient Quantum Agnostic Improper Learning of Decision Trees [0.47267770920095525]
我々は、インスタンス上の一様境界を持つ決定木を学習するためのポリアグノスティック(n,t,frac1varepsilon)$量子アルゴリズムを提供する。
我々のアルゴリズムは、メンバーシップクエリなしで決定木を学習するための最初のアルゴリズム(古典的または量子的)である。
論文 参考訳(メタデータ) (2022-10-01T07:11:19Z) - Structure Learning of Quantum Embeddings [68.8204255655161]
最適化手法により最適な量子埋め込みを自動的に選択するアルゴリズムを提案する。
我々は、我々のアプローチの性能向上を示すために、人工データセットと実世界のデータセットの両方を使用しました。
論文 参考訳(メタデータ) (2022-09-22T16:42:14Z) - Entanglement and coherence in Bernstein-Vazirani algorithm [58.720142291102135]
Bernstein-Vaziraniアルゴリズムは、オラクルに符号化されたビット文字列を決定できる。
我々はベルンシュタイン・ヴァジラニアルゴリズムの量子資源を詳細に分析する。
絡み合いがない場合、初期状態における量子コヒーレンス量とアルゴリズムの性能が直接関係していることが示される。
論文 参考訳(メタデータ) (2022-05-26T20:32:36Z) - Hybrid Quantum-Classical Search Algorithms [0.0]
古典計算は,探索問題自体が解けない限り,量子計算を補助できないことを示す。
我々はこの結果を、不安定な成功確率を持つアルゴリズムに一般化する。
論文 参考訳(メタデータ) (2022-02-23T11:43:17Z) - Basic Quantum Algorithms [0.0]
量子コンピューティングは急速に進化しており、理論の基礎を再検討し、書き直し、更新せざるを得ない。
基本量子アルゴリズムは、初期の量子アルゴリズムを再考する。
論文 参考訳(メタデータ) (2022-01-25T19:00:10Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳(メタデータ) (2021-06-08T21:05:30Z) - Quantum-Inspired Algorithms from Randomized Numerical Linear Algebra [53.46106569419296]
我々は、リコメンダシステムと最小二乗回帰のためのクエリをサポートする古典的な(量子でない)動的データ構造を作成する。
これらの問題に対する以前の量子インスパイアされたアルゴリズムは、レバレッジやリッジレベレッジスコアを偽装してサンプリングしていると我々は主張する。
論文 参考訳(メタデータ) (2020-11-09T01:13:07Z) - Simpler (classical) and faster (quantum) algorithms for Gibbs partition
functions [4.2698418800007865]
古典ハミルトニアンの分配関数を所定の温度で近似するための古典的および量子的アルゴリズムを提案する。
我々は,vStefankovivc,Vempala,Vigodaの古典的アルゴリズムを改良し,サンプルの複雑さを改善する。
我々はこの新しいアルゴリズムを量子化し、HarrowとWeiにより、この問題に対してこれまで最速の量子アルゴリズムを改善した。
論文 参考訳(メタデータ) (2020-09-23T17:27:28Z)
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。