論文の概要: Probably approximately correct quantum source coding
- arxiv url: http://arxiv.org/abs/2112.06841v1
- Date: Mon, 13 Dec 2021 17:57:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-04 16:33:07.168823
- Title: Probably approximately correct quantum source coding
- Title(参考訳): おそらくほぼ正確な量子源符号化
- Authors: Armando Angrisani, Brian Coyle and Elham Kashefi
- Abstract要約: Holevo と Nayak の境界は、量子状態に格納できる古典的な情報の量を推定する。
量子学習理論における2つの新しい応用と、純粋に古典的なクライアントを用いた代入量子計算について述べる。
- 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: Information-theoretic lower bounds are often encountered in several branches
of computer science, including learning theory and cryptography. In the quantum
setting, Holevo's and Nayak's bounds give an estimate of the amount of
classical information that can be stored in a quantum state. Previous works
have shown how to combine information-theoretic tools with a counting argument
to lower bound the sample complexity of distribution-free quantum probably
approximately correct (PAC) learning. In our work, we establish the notion of
Probably Approximately Correct Source Coding and we show two novel applications
in quantum learning theory and delegated quantum computation with a purely
classical client. In particular, we provide a lower bound of the sample
complexity of a quantum learner for arbitrary functions under the Zipf
distribution, and we improve the security guarantees of a classically-driven
delegation protocol for measurement-based quantum computation (MBQC).
- Abstract(参考訳): 情報理論の下界は、学習理論や暗号など、コンピュータ科学のいくつかの分野でしばしば見られる。
量子設定において、ホールボとナヤックの境界は量子状態に保存される古典的情報量の推定を与える。
従来の研究では、情報理論ツールと数え上げ引数を組み合わせることで、分散自由量子(PAC)学習のサンプル複雑性を低く抑える方法が示されている。
本研究では、おそらくほぼ正しいソース符号化の概念を確立し、量子学習理論における2つの新しい応用と、純粋に古典的クライアントによる量子計算の委譲を示す。
特に、Zipf分布下の任意の関数に対する量子学習者のサンプル複雑性の低い境界を提供し、測定に基づく量子計算(MBQC)のための古典的に駆動されるデリゲートプロトコルのセキュリティ保証を改善する。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - Information-theoretic generalization bounds for learning from quantum
data [3.618615996077951]
古典量子データに基づくトレーニングにより量子学習を記述するための数学的定式化を提案する。
我々は,古典的および量子的情報理論量の観点から,量子学習者の期待する一般化誤差を証明した。
我々の研究は、量子学習に関する量子情報理論的な視点を統一するための基礎を築いた。
論文 参考訳(メタデータ) (2023-11-09T17:21:38Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-04-04T12:47:35Z) - Simple Tests of Quantumness Also Certify Qubits [69.96668065491183]
量子性の検定は、古典的検証者が証明者が古典的でないことを(のみ)証明できるプロトコルである。
我々は、あるテンプレートに従う量子性のテストを行い、(Kalai et al., 2022)のような最近の提案を捉えた。
すなわち、同じプロトコルは、証明可能なランダム性や古典的な量子計算のデリゲートといったアプリケーションの中心にあるビルディングブロックであるqubitの認定に使用できる。
論文 参考訳(メタデータ) (2023-03-02T14:18:17Z) - Optimal Stochastic Resource Allocation for Distributed Quantum Computing [50.809738453571015]
本稿では,分散量子コンピューティング(DQC)のためのリソース割り当て方式を提案する。
本評価は,提案手法の有効性と,量子コンピュータとオンデマンド量子コンピュータの両立性を示すものである。
論文 参考訳(メタデータ) (2022-09-16T02:37:32Z) - 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) - Machine learning applications for noisy intermediate-scale quantum
computers [0.0]
NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。
これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。
近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-19T09:26:57Z) - 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) - Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。
QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-17T12:02:01Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-30T12:19:27Z) - Quantum information spreading in a disordered quantum walk [50.591267188664666]
量子ウォークスを用いて量子情報拡散パターンを探索する量子探索プロトコルを設計する。
我々は、異常や古典的輸送を調査するために、コヒーレントな静的および動的障害に焦点を当てる。
以上の結果から,複雑なネットワークで発生する欠陥や摂動の情報を読み取る装置として,量子ウォーク(Quantum Walk)が考えられる。
論文 参考訳(メタデータ) (2020-10-20T20:03:19Z)
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。