論文の概要: Quantum Semi-Supervised Learning with Quantum Supremacy

• arxiv url: http://arxiv.org/abs/2110.02343v1
• Date: Tue, 5 Oct 2021 20:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-07 14:05:39.119655
• Title: Quantum Semi-Supervised Learning with Quantum Supremacy
• Title（参考訳）: 量子サプリマシーを用いた量子半教師付き学習
• Authors: Zhou Shangnan
• Abstract要約: 量子機械学習は重要な問題を解決することを約束する。 古典的な機械学習には、ラベル付きデータの欠如と計算能力の限界という2つの永続的な課題がある。 本稿では,量子セミ教師付き学習という,両方の問題を解決する新しいフレームワークを提案する。
• 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: Quantum machine learning promises to efficiently solve important problems. There are two persistent challenges in classical machine learning: the lack of labeled data, and the limit of computational power. We propose a novel framework that resolves both issues: quantum semi-supervised learning. Moreover, we provide a protocol in systematically designing quantum machine learning algorithms with quantum supremacy, which can be extended beyond quantum semi-supervised learning. We showcase two concrete quantum semi-supervised learning algorithms: a quantum self-training algorithm named the propagating nearest-neighbor classifier, and the quantum semi-supervised K-means clustering algorithm. By doing time complexity analysis, we conclude that they indeed possess quantum supremacy.
• Abstract（参考訳）: 量子機械学習は重要な問題を解決することを約束する。 古典的な機械学習には、ラベル付きデータの欠如と計算能力の限界という2つの永続的な課題がある。 本稿では,量子セミ教師付き学習という,両方の問題を解決する新しいフレームワークを提案する。 さらに、量子半教師付き学習を超えて拡張可能な量子超越性を持つ量子機械学習アルゴリズムを体系的に設計するプロトコルを提供する。 提案手法では, 近接最近傍分類器と呼ばれる量子自己学習アルゴリズムと, 量子半教師付きK平均クラスタリングアルゴリズムを示す。 時間複雑性分析を行うことで、量子超越性を持っていると結論づける。

関連論文リスト

• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Quantum Algorithms for Unsupervised Machine Learning and Neural Networks [2.28438857884398]
  行列積や距離推定といったタスクを解くために量子アルゴリズムを導入する。 これらの結果は、教師なし機械学習のための新しい量子アルゴリズムの開発に使用される。 また、ニューラルネットワークやディープラーニングのための新しい量子アルゴリズムも提示します。
  論文  参考訳（メタデータ） (2021-11-05T16:36:09Z)
• Qsun: an open-source platform towards practical quantum machine learning applications [0.0]
  本稿では、量子状態波動関数によって演算を下線化している量子仮想マシンQsunを紹介する。 次に、量子機械学習の代表である量子線形回帰と量子ニューラルネットワークの2つのテストについて報告する。
  論文  参考訳（メタデータ） (2021-07-22T09:37:31Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Quantum Computing for Location Determination [6.141741864834815]
  位置決定研究に量子アルゴリズムを用いた場合の期待値の例を紹介する。 提案した量子アルゴリズムは、空間と実行時間の両方において、古典的なアルゴリズムバージョンよりも指数関数的に優れた複雑性を持つ。 ソフトウェアとハードウェアの両方の研究課題と、研究者がこのエキサイティングな新しいドメインを探求する機会について論じる。
  論文  参考訳（メタデータ） (2021-06-11T15:39:35Z)
• Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
  53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。 演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
  論文  参考訳（メタデータ） (2021-01-21T22:18:49Z)
• Reinforcement Learning with Quantum Variational Circuits [0.0]
  この研究は、強化学習問題を促進する量子コンピューティングの可能性を探るものである。 具体的には、量子機械学習の一形態である量子変分回路の使用について検討する。 その結果、ハイブリッドおよび純粋量子変動回路は、より小さいパラメータ空間で強化学習タスクを解くことができることを示した。
  論文  参考訳（メタデータ） (2020-08-15T00:13:01Z)

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。