論文の概要: Private learning implies quantum stability
- arxiv url: http://arxiv.org/abs/2102.07171v1
- Date: Sun, 14 Feb 2021 15:13:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:22:04.291006
- Title: Private learning implies quantum stability
- Title（参考訳）: プライベートラーニングは量子安定性を意味する
- Authors: Srinivasan Arunachalam, Yihui Quek, John Smolin
- Abstract要約: 未知のn$-qubit量子状態の学習 rho$ は、量子コンピューティングにおける基本的な課題である。
微分プライベートPAC学習から通信の複雑さ、オンライン学習、量子安定性まで、一連の(情報理論的な)意味を証明します。
- 参考スコア（独自算出の注目度）: 5.435793655810987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning an unknown $n$-qubit quantum state $\rho$ is a fundamental challenge
in quantum computing. Information-theoretically, it is known that tomography
requires exponential in $n$ many copies of $\rho$ to estimate it up to trace
distance. Motivated by computational learning theory, Aaronson et al.
introduced many (weaker) learning models: the PAC model of learning states
(Proceedings of Royal Society A'07), shadow tomography (STOC'18) for learning
"shadows" of a state, a model that also requires learners to be differentially
private (STOC'19) and the online model of learning states (NeurIPS'18). In
these models it was shown that an unknown state can be learned "approximately"
using linear-in-$n$ many copies of rho. But is there any relationship between
these models? In this paper we prove a sequence of (information-theoretic)
implications from differentially-private PAC learning, to communication
complexity, to online learning and then to quantum stability.
Our main result generalizes the recent work of Bun, Livni and Moran (Journal
of the ACM'21) who showed that finite Littlestone dimension (of Boolean-valued
concept classes) implies PAC learnability in the (approximate) differentially
private (DP) setting. We first consider their work in the real-valued setting
and further extend their techniques to the setting of learning quantum states.
Key to our results is our generic quantum online learner, Robust Standard
Optimal Algorithm (RSOA), which is robust to adversarial imprecision. We then
show information-theoretic implications between DP learning quantum states in
the PAC model, learnability of quantum states in the one-way communication
model, online learning of quantum states, quantum stability (which is our
conceptual contribution), various combinatorial parameters and give further
applications to gentle shadow tomography and noisy quantum state learning.
- Abstract（参考訳）: 未知のn$-qubit量子状態の学習 $\rho$は、量子コンピューティングにおける基本的な課題である。
情報理論上は、トモグラフィーは、トレース距離まで推定するために、n$で多くのコピーを指数関数的に必要とすることが知られている。
計算学習理論によって動機づけられ、アーロンソンら。
学習状態のPACモデル(Proceedings of Royal Society A'07)、学習状態の「影」を学習するためのシャドートモグラフィ(STOC'18)、学習者に差分プライベート(STOC'19)を求めるモデル(NeurIPS'18)、学習状態のオンラインモデル(NeurIPS'18)が導入された。
これらのモデルでは、未知の状態が rho の多くのコピーを使って「およそ」学習できることが示されている。
しかし、これらのモデルの間に何か関係がありますか?
本稿では,微分プライベートなPAC学習からコミュニケーションの複雑さ,オンライン学習,そして量子安定性への(情報理論的な)影響を実証する。
本研究の主な成果はBun, Livni, Moran (Journal of the ACM'21) の最近の研究を一般化し, 有限リトルストーン次元(ブール値の概念クラス)は(近似)微分プライベート(DP)設定においてPAC学習可能性を示すことを示した。
まず,実数値設定におけるそれらの研究を考察し,その手法をさらに量子状態の学習に拡張する。
我々の結果の鍵となるのは、我々の一般的な量子オンライン学習者、Robust Standard Optimal Algorithm (RSOA)である。
次に、PACモデルにおけるDP学習量子状態、一方向通信モデルにおける量子状態の学習可能性、量子状態のオンライン学習、量子安定性(私たちの概念的貢献である)、様々な組み合わせパラメータ、および穏やかな影トモグラフィおよびノイズの多い量子状態学習へのさらなる適用を示す。
関連論文リスト
- A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Learning Transductions to Test Systematic Compositionality [64.09083307778951]
既知の原始概念をより大きな新しい組み合わせに再結合することは、人間の認知能力である。
決定論的有限状態トランスデューサを用いて、構成性を管理する制御可能な特性を持つ非有界な数のデータセットを作成する。
モデルは完全に関係を学習するか、全く学習しないかのどちらかです。
論文 参考訳（メタデータ） (2022-08-17T10:03:18Z) - Quantum variational learning for entanglement witnessing [0.0]
この研究は量子アルゴリズムの潜在的な実装に焦点を当て、$n$ qubitsの単一レジスタ上で定義された量子状態を適切に分類することができる。
我々は「絡み合いの証人」という概念、すなわち、特定の特定の状態が絡み合うものとして識別できる期待値を持つ演算子を利用する。
我々は,量子ニューラルネットワーク(QNN)を用いて,絡み合いの目撃者の行動を再現する方法をうまく学習した。
論文 参考訳（メタデータ） (2022-05-20T20:14:28Z) - Quantum neural networks [0.0]
この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。
本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
論文 参考訳（メタデータ） (2022-05-17T07:47:00Z) - Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。
計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。
我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文 参考訳（メタデータ） (2022-02-17T19:00:09Z) - Decompositional Quantum Graph Neural Network [64.88906673698436]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - A Theoretical Framework for Learning from Quantum Data [15.828697880068704]
量子データから古典パターンを学習するための理論的基盤を提案する。
我々はよく知られたPACフレームワークの量子対について述べる。
量子サンプル複雑性量子概念クラスの上界を確立する。
論文 参考訳（メタデータ） (2021-07-13T21:39:47Z) - Exploring Quantum Perceptron and Quantum Neural Network structures with
a teacher-student scheme [0.0]
量子カーネル法や量子ニューラルネットワーク(QNN)のような量子機械学習モデルを構築し、分類タスクを実行するために、短期量子デバイスを使用することができる。
本研究の目的は、異なるQNNアーキテクチャを体系的に比較し、その相対表現力と教師-学生間のスキームを評価することである。
我々は特に、Tacchino et. al. citeTacchino1の最近の研究に触発された量子パーセプトロンモデルに注目し、もともとP'erez-Salinas et. al. citeによって導入されたデータ再ロードスキームと比較する。
論文 参考訳（メタデータ） (2021-05-04T13:13:52Z) - Quantum statistical query learning [6.434862450258459]
本稿では,量子統計学習QSQモデルという学習モデルを提案する。
我々のモデルは、量子PAC学習モデルの制約と見なすことができる。
量子プライベートPACモデルにおいて,QSQモデルの学習性は学習性を意味することを示す。
論文 参考訳（メタデータ） (2020-02-19T15:36:57Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
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。