論文の概要: Quantum Continual Learning Overcoming Catastrophic Forgetting

• arxiv url: http://arxiv.org/abs/2108.02786v1
• Date: Thu, 5 Aug 2021 18:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:22:27.578895
• Title: Quantum Continual Learning Overcoming Catastrophic Forgetting
• Title（参考訳）: 破滅的予測を克服する量子連続学習
• Authors: Wenjie Jiang, Zhide Lu and Dong-Ling Deng
• Abstract要約: 破滅的な忘れは、機械学習モデルが、新しいタスクの学習プロセスの後に、以前に学習されたタスクの知識を忘れる可能性が高いという事実を物語っている。 ニューラルネットワークに基づく古典的な学習モデルと同様に、量子学習システムは、様々なアプリケーションシーンから出現する分類タスクにおいて、そのような忘れられる問題に悩まされている。
• 参考スコア（独自算出の注目度）: 1.1344265020822928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Catastrophic forgetting describes the fact that machine learning models will likely forget the knowledge of previously learned tasks after the learning process of a new one. It is a vital problem in the continual learning scenario and recently has attracted tremendous concern across different communities. In this paper, we explore the catastrophic forgetting phenomena in the context of quantum machine learning. We find that, similar to those classical learning models based on neural networks, quantum learning systems likewise suffer from such forgetting problem in classification tasks emerging from various application scenes. We show that based on the local geometrical information in the loss function landscape of the trained model, a uniform strategy can be adapted to overcome the forgetting problem in the incremental learning setting. Our results uncover the catastrophic forgetting phenomena in quantum machine learning and offer a practical method to overcome this problem, which opens a new avenue for exploring potential quantum advantages towards continual learning.
• Abstract（参考訳）: 破滅的な忘れは、機械学習モデルが、新しいタスクの学習プロセスの後に学習したタスクの知識を忘れる可能性が高いという事実を記述している。 継続的な学習シナリオにおいて重要な問題であり、最近は様々なコミュニティで大きな関心を集めている。 本稿では,量子機械学習の文脈における破滅的な忘れ現象について考察する。 ニューラルネットワークに基づく古典的な学習モデルと同様に、量子学習システムは、様々なアプリケーションシーンから出現する分類タスクにおいて、そのような忘れられる問題に悩まされている。 学習モデルの損失関数のランドスケープにおける局所幾何情報に基づいて,インクリメンタル学習環境における忘れられる問題を克服するために一様戦略を適用することができることを示す。 本研究は,量子機械学習における破滅的な記憶現象を解明し,この問題を克服するための実用的な手法を提供する。

関連論文リスト

• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Exponential separations between classical and quantum learners [0.0]
  我々は,定義の微妙な違いが,学習者が満足して解決すべき要件や課題を著しく異なるものにする可能性について論じる。 本稿では,データ生成関数の同定に古典的困難を主眼として,2つの新たな学習分離を提案する。
  論文  参考訳（メタデータ） (2023-06-28T08:55:56Z)
• 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)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• On establishing learning separations between classical and quantum machine learning with classical data [0.0]
  量子学習アルゴリズムが従来の学習アルゴリズムよりもはるかに高速に学習できる学習問題を見つけることの課題について論じる。 証明可能な量子スピードアップを用いて既存の学習問題を研究し、より汎用的で十分な条件の集合を蒸留する。 これらのチェックリストは、学習問題に対する量子スピードアップを証明するためのアプローチの合理化やボトルネックの解明を目的としている。
  論文  参考訳（メタデータ） (2022-08-12T16:00:30Z)
• Embedding Learning in Hybrid Quantum-Classical Neural Networks [8.029801398363261]
  本稿では、下流の量子機械学習タスクのトレーニングに有用な埋め込みを学習する量子数ショット埋め込み学習パラダイムを提案する。 学習された古典的パラメータがヒルベルト空間を効率的に利用しないハイブリッドニューラルネットワークにおける回路バイパス問題を同定する。 学習した数発の埋め込みは、目に見えないクラスに一般化され、他のアプローチと比較して回路バイパス問題に悩まされることが観察された。
  論文  参考訳（メタデータ） (2022-04-09T21:16:20Z)
• Modern applications of machine learning in quantum sciences [51.09906911582811]
  本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。 我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
  論文  参考訳（メタデータ） (2022-04-08T17:48:59Z)
• Continual learning of quantum state classification with gradient episodic memory [0.20646127669654826]
  破滅的忘れという現象は、機械学習モデルが複数のタスクにわたって訓練されたときに発生する。 破滅的な忘れの問題に対処するために、いくつかの継続的な学習戦略が提案されている。 本研究では,変分量子分類器の学習に勾配エピソードメモリ法を取り入れた。
  論文  参考訳（メタデータ） (2022-03-26T09:28:26Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Few-Shot Class-Incremental Learning [68.75462849428196]
  本稿では,FSCIL問題に焦点をあてる。 FSCIL は CNN モデルに対して,学習済みのクラスを忘れることなく,ラベル付きサンプルのごく少数から新たなクラスを漸進的に学習することを求めている。 我々は,異なるクラスで形成される特徴多様体のトポロジーを学習し,保存するニューラルネットワーク(NG)ネットワークを用いて,知識を表現する。
  論文  参考訳（メタデータ） (2020-04-23T03:38:33Z)
• Quantum Adversarial Machine Learning [0.0]
  適応機械学習は、敵の設定における機械学習アプローチの脆弱性の研究に焦点を当てた新興分野である。 本稿では,量子機械学習の文脈における様々な逆シナリオについて考察する。 ほぼ最先端の精度を達成する量子分類器は、敵の例によって決定的に欺くことができる。
  論文  参考訳（メタデータ） (2019-12-31T19:00:12Z)

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。