論文の概要: Variational inference with a quantum computer
- arxiv url: http://arxiv.org/abs/2103.06720v1
- Date: Thu, 11 Mar 2021 15:12:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-12 14:36:29.393712
- Title: Variational inference with a quantum computer
- Title(参考訳): 量子コンピュータを用いた変分推論
- Authors: Marcello Benedetti, Brian Coyle, Mattia Fiorentini, Michael Lubasch,
Matthias Rosenkranz
- Abstract要約: 推論(inference)は、関連する変数の観測から、観察されない変数に関する結論を導くタスクである。
確率分布は、観測されていない変数に対する後方分布を近似するために最適化される。
本研究では,離散変数上の変分分布として量子ボーンマシンを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inference is the task of drawing conclusions about unobserved variables given
observations of related variables. Applications range from identifying diseases
from symptoms to classifying economic regimes from price movements.
Unfortunately, performing exact inference is intractable in general. One
alternative is variational inference, where a candidate probability
distribution is optimized to approximate the posterior distribution over
unobserved variables. For good approximations a flexible and highly expressive
candidate distribution is desirable. In this work, we propose quantum Born
machines as variational distributions over discrete variables. We apply the
framework of operator variational inference to achieve this goal. In
particular, we adopt two specific realizations: one with an adversarial
objective and one based on the kernelized Stein discrepancy. We demonstrate the
approach numerically using examples of Bayesian networks, and implement an
experiment on an IBM quantum computer. Our techniques enable efficient
variational inference with distributions beyond those that are efficiently
representable on a classical computer.
- Abstract(参考訳): 推論(inference)は、関連する変数の観測から、観察されない変数に関する結論を導くタスクである。
応用は、症状から病気を識別することから、価格変動から経済体制を分類することまで様々である。
残念ながら、正確な推論の実行は一般的には難しい。
確率分布は、観測されていない変数に対する後方分布を近似するために最適化される。
良好な近似を得るためには、柔軟で表現性の高い候補分布が望ましい。
本研究では,離散変数上の変分分布として量子ボーンマシンを提案する。
この目的を達成するために演算子変分推論の枠組みを適用する。
特に,敵意を持ったものと,カーネル化されたスタインの不一致に基づくものという,2つの具体化が採用されている。
ベイジアンネットワークの例を用いて,この手法を数値的に実証し,IBM量子コンピュータ上で実験を行う。
提案手法は,従来のコンピュータ上で効率よく表現可能な分布を用いた効率的な変分推定を可能にする。
関連論文リスト
- Proxy Methods for Domain Adaptation [78.03254010884783]
プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。
両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
論文 参考訳(メタデータ) (2024-03-12T09:32:41Z) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳(メタデータ) (2022-04-07T17:59:19Z) - Generative Quantum Learning of Joint Probability Distribution Functions [1.221966660783828]
我々はコプラをモデル化するための量子機械学習アルゴリズムを設計する。
任意のコプラを最大交絡状態に自然にマッピングできることが示される。
変分 ansatz を qopula' として定義すると、変数間の任意の相関が生成される。
論文 参考訳(メタデータ) (2021-09-13T20:50:15Z) - Sparse Communication via Mixed Distributions [29.170302047339174]
我々は「混合確率変数」の理論基盤を構築する。
本フレームワークは,混合確率変数の表現とサンプリングのための2つの戦略を提案する。
我々は、創発的な通信ベンチマークにおいて、両方のアプローチを実験する。
論文 参考訳(メタデータ) (2021-08-05T14:49:03Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳(メタデータ) (2021-07-07T15:50:18Z) - Modeling Sequences as Distributions with Uncertainty for Sequential
Recommendation [63.77513071533095]
既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。
項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。
本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
論文 参考訳(メタデータ) (2021-06-11T04:35:21Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - An Embedded Model Estimator for Non-Stationary Random Functions using
Multiple Secondary Variables [0.0]
本稿では,本手法を導入し,地理的モデリングや量子ランダムフォレストに適用した結果と自然に類似した一貫性を有することを示す。
このアルゴリズムは、各ターゲット位置におけるターゲット変数の条件分布を推定することで機能する。
論文 参考訳(メタデータ) (2020-11-09T00:14:24Z) - Flexible mean field variational inference using mixtures of
non-overlapping exponential families [6.599344783327053]
標準平均場変動推論を用いることで、疎性誘導前のモデルに対して妥当な結果が得られないことを示す。
拡散指数族と 0 の点質量の任意の混合が指数族を形成することを示す。
論文 参考訳(メタデータ) (2020-10-14T01:46:56Z) - Variational Inference as Iterative Projection in a Bayesian Hilbert
Space with Application to Robotic State Estimation [14.670851095242451]
変分ベイズ推論は統計学からロボット工学への応用を見つける重要な機械学習ツールである。
KLの発散に基づく変分推論は、ユークリッドの意味では、選択された近似族に対応する部分空間へのベイズ後方の反復射影に等しいことを示す。
論文 参考訳(メタデータ) (2020-05-14T21:33:31Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。