論文の概要: On the Hardness of PAC-learning stabilizer States with Noise
- arxiv url: http://arxiv.org/abs/2102.05174v1
- Date: Tue, 9 Feb 2021 23:06:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 14:23:58.780788
- Title: On the Hardness of PAC-learning stabilizer States with Noise
- Title(参考訳): 音声によるPAC学習安定状態の硬さについて
- Authors: Aravind Gollakota and Daniel Liang
- Abstract要約: 我々は、量子状態の学習のためのAaronson (2007) の確率的近似(PAC)フレームワークにおいて、雑音を伴う安定化器状態の学習問題を考察する。
PAC学習量子状態に対する統計的クエリ(SQ)モデルを導入する。
このモデルにおけるアルゴリズムは、分類や偏極ノイズを含む一般的なノイズに耐性があることを証明している。
- 参考スコア(独自算出の注目度): 5.584060970507507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of learning stabilizer states with noise in the
Probably Approximately Correct (PAC) framework of Aaronson (2007) for learning
quantum states. In the noiseless setting, an algorithm for this problem was
recently given by Rocchetto (2018), but the noisy case was left open. Motivated
by approaches to noise tolerance from classical learning theory, we introduce
the Statistical Query (SQ) model for PAC-learning quantum states, and prove
that algorithms in this model are indeed resilient to common forms of noise,
including classification and depolarizing noise. We prove an exponential lower
bound on learning stabilizer states in the SQ model. Even outside the SQ model,
we prove that learning stabilizer states with noise is in general as hard as
Learning Parity with Noise (LPN) using classical examples. Our results position
the problem of learning stabilizer states as a natural quantum analogue of the
classical problem of learning parities: easy in the noiseless setting, but
seemingly intractable even with simple forms of noise.
- Abstract(参考訳): 量子状態を学習するための Aaronson (2007) の確率的補正 (PAC) フレームワークにおける雑音を伴う安定状態の学習の問題を検討する。
ノイズレス設定では、この問題のアルゴリズムはRocchetto (2018)によって最近与えられましたが、騒々しいケースは開いていました。
古典学習理論からのノイズ耐性へのアプローチを動機に、PAC学習量子状態の統計的クエリ(SQ)モデルを導入し、このモデルのアルゴリズムが、分類や偏極化ノイズを含むノイズの一般的な形式に確かに耐性があることを証明します。
SQモデルにおける学習安定状態の指数的に低い境界を証明する。
SQモデル以外でも、ノイズを伴う学習安定状態は、古典的な例を使用してLPN(Learning Parity with Noise)と同じくらい難しいことが証明されています。
この結果から, 学習安定状態の問題は, 学習パリティの古典的問題(ノイズのない環境では簡単だが, 単純なノイズでも難易度が高いように見える)の自然の量子的類似体として位置づけられた。
関連論文リスト
- Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳(メタデータ) (2023-02-19T15:24:37Z) - Quantum state-preparation control in noisy environment via most-likely
paths [3.52359746858894]
雑音の影響を受けないオープン量子系の別の見方として、平均力学を仮説的雑音性量子軌道に到達させる方法を考える。
我々は、量子状態準備に最もよく似た経路を採用し、ノイズ変数の経路積分を構築し、ターゲット状態を達成するために最も似たノイズに関連する制御関数を求める。
概念実証として,提案手法を劣化雑音下での立方体状態生成に適用し,任意の目標状態に対する制御されたRabiドライブを解析的に解いた。
論文 参考訳(メタデータ) (2022-09-27T05:42:09Z) - Identifying Hard Noise in Long-Tailed Sample Distribution [76.16113794808001]
NLT(Noisy Long-Tailed Classification)を紹介する。
ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。
我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
論文 参考訳(メタデータ) (2022-07-27T09:03:03Z) - The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。
特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
論文 参考訳(メタデータ) (2022-03-02T13:59:20Z) - Analyzing and Improving the Optimization Landscape of Noise-Contrastive
Estimation [50.85788484752612]
ノイズコントラスト推定(NCE)は、非正規化確率モデルを学習するための統計的に一貫した手法である。
ノイズ分布の選択がNCEの性能に不可欠であることが実験的に観察されている。
本研究では,不適切な雑音分布を用いた場合,NCEの性能低下の原因を正式に指摘する。
論文 参考訳(メタデータ) (2021-10-21T16:57:45Z) - Universal noise-precision relations in variational quantum algorithms [0.6946929968559495]
変分量子アルゴリズム(VQA)は、近時雑音量子コンピュータの実用的応用として期待されている。
ノイズによるVQAのコスト関数の誤差を解析的に推定する。
コスト関数のヘシアン、対象作用素のスペクトル、およびアンザッツの幾何学がノイズに対する感度にどのように影響するかを示す。
論文 参考訳(メタデータ) (2021-06-07T07:37:54Z) - Robust Learning under Strong Noise via SQs [5.9256596453465225]
各SQ学習可能なクラスは、幅広いノイズモデルに対して、OPT + $epsilon Misilon誤分類誤差を持つ効率的な学習アルゴリズムを許容することを示す。
この設定は、既知の雑音確率を持つRCNの下で広く研究されている問題分類を大幅に一般化する。
論文 参考訳(メタデータ) (2020-10-18T21:02:26Z) - Optimal Provable Robustness of Quantum Classification via Quantum
Hypothesis Testing [14.684867444153625]
量子機械学習モデルには、従来のモデルに比べてスピードアップと予測精度が向上する可能性がある。
これらの量子アルゴリズムは、古典的なアルゴリズムと同様に、入力摂動に弱いことが示されている。
これらは、ノイズの多い実装か、最悪のタイプのノイズとして、敵攻撃から生じる可能性がある。
論文 参考訳(メタデータ) (2020-09-21T17:55:28Z) - Noise-Induced Barren Plateaus in Variational Quantum Algorithms [0.6649973446180738]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータ上での量子優位性への道のりである。
騒音がトレーニングランドスケープに不規則な台地を生じさせることで、ノイズの多いVQAの深刻な制限を厳格に証明する。
論文 参考訳(メタデータ) (2020-07-28T17:52:21Z) - Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。
ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。
分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
論文 参考訳(メタデータ) (2020-06-15T18:31:02Z) - Confidence Scores Make Instance-dependent Label-noise Learning Possible [129.84497190791103]
ノイズのあるラベルで学習する際、そのラベルはノイズモデルと呼ばれる遷移分布に従ってランダムに他のクラスに移動することができる。
我々は、各インスタンスラベル対に信頼スコアを付与する、信頼スコア付きインスタンス依存ノイズ(CSIDN)を導入する。
信頼性スコアの助けを借りて、各インスタンスの遷移分布を推定できる。
論文 参考訳(メタデータ) (2020-01-11T16:15:41Z)
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。