論文の概要: Learning Circular Hidden Quantum Markov Models: A Tensor Network Approach

• arxiv url: http://arxiv.org/abs/2111.01536v1
• Date: Fri, 29 Oct 2021 23:09:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:34:51.775000
• Title: Learning Circular Hidden Quantum Markov Models: A Tensor Network Approach
• Title（参考訳）: 円形隠れ量子マルコフモデルの学習:テンソルネットワークによるアプローチ
• Authors: Mohammad Ali Javidian, Vaneet Aggarwal, Zubin Jacob
• Abstract要約: c-HQMMは制約付きテンソルネットワークと等価であることを示す。 この等価性により、c-HQMMの効率的な学習モデルを提供することができる。 提案手法は6つの実データセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 34.77250498401055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose circular Hidden Quantum Markov Models (c-HQMMs), which can be applied for modeling temporal data in quantum datasets (with classical datasets as a special case). We show that c-HQMMs are equivalent to a constrained tensor network (more precisely, circular Local Purified State with positive-semidefinite decomposition) model. This equivalence enables us to provide an efficient learning model for c-HQMMs. The proposed learning approach is evaluated on six real datasets and demonstrates the advantage of c-HQMMs on multiple datasets as compared to HQMMs, circular HMMs, and HMMs.
• Abstract（参考訳）: 本稿では,量子データセット(古典的データセットを特殊な場合とする)の時間データモデリングに適用可能な,円状隠れ量子マルコフモデル(c-HQMM)を提案する。 c-HQMMs は、制約付きテンソルネットワーク(より正確には、正の半有限分解を持つ局所精製状態)モデルと等価であることを示す。 この等価性により、c-hqmmsの効率的な学習モデルを提供できる。 提案手法は6つの実データセットで評価され, HQMM, 円形HMM, HMMと比較して, 複数データセットにおけるc-HQMMの利点を示す。

関連論文リスト

• A new quantum machine learning algorithm: split hidden quantum Markov model inspired by quantum conditional master equation [14.262911696419934]
  隠れ量子マルコフプロセスを実装するための分割HQMM(SHQMM)を提案する。 実験結果から,本モデルはアプリケーションの範囲やロバスト性において,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-07-17T16:55:26Z)
• Learning Hidden Markov Models Using Conditional Samples [72.20944611510198]
  本稿では,隠れマルコフモデル(HMM)の学習における計算複雑性について述べる。 本稿では,HMMの条件分布からサンプルを問合せする対話型アクセスモデルを提案する。 具体的には、正確な条件付き確率に対するクエリアクセスが可能な設定において、HMMを学習するための効率的なアルゴリズムを得る。
  論文  参考訳（メタデータ） (2023-02-28T16:53:41Z)
• 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)
• Fuzzy Cognitive Maps and Hidden Markov Models: Comparative Analysis of Efficiency within the Confines of the Time Series Classification Task [0.0]
  時系列分類における隠れマルコフモデル(HMM)の適用について検討する。 HMM NN (HMM, 1シリーズ), HMM 1C (HMM, 1クラス), FCM NN, FCM 1C の4つのモデルを連続実験で検討した。
  論文  参考訳（メタデータ） (2022-04-28T12:41:05Z)
• Learning Hidden Markov Models When the Locations of Missing Observations are Unknown [54.40592050737724]
  本研究では、未知の観測位置を持つデータからHMMを学習する際の一般的な問題について考察する。 我々は、下層の鎖の構造に関する仮定を一切必要としない再構成アルゴリズムを提供する。 適切な仕様の下では、プロセスのダイナミクスを再構築でき、また、見当たらない観測位置が分かっていたとしても、その有効性を示す。
  論文  参考訳（メタデータ） (2022-03-12T22:40:43Z)
• Robust Classification using Hidden Markov Models and Mixtures of Normalizing Flows [25.543231171094384]
  我々は,隠れマルコフモデル(HMM)の状態遷移と,隠れたHMMの状態に対するニューラルネットワークに基づく確率分布を組み合わせた生成モデルを用いる。 音声認識への応用におけるNMM-HMM分類器の堅牢性の改善を検証する。
  論文  参考訳（メタデータ） (2021-02-15T00:40:30Z)
• DenseHMM: Learning Hidden Markov Models by Learning Dense Representations [0.0]
  本研究では,隠れ状態と観測可能性の両方の密表現を学習できる隠れマルコフモデル(hmms)の修正を提案する。 標準的なHMMと比較して、遷移確率は原子ではなく、カーネル化によるこれらの表現で構成されている。 DenseHMMの性質は、合成および生物医学的データセットで実証的に研究されている。
  論文  参考訳（メタデータ） (2020-12-17T17:48:27Z)
• Scaling Hidden Markov Language Models [118.55908381553056]
  この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。 本研究では,HMMを大規模状態空間に拡張する手法を提案する。
  論文  参考訳（メタデータ） (2020-11-09T18:51:55Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)

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。