論文の概要: Parametric t-Stochastic Neighbor Embedding With Quantum Neural Network

• arxiv url: http://arxiv.org/abs/2202.04238v1
• Date: Wed, 9 Feb 2022 02:49:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-10 16:11:27.201926
• Title: Parametric t-Stochastic Neighbor Embedding With Quantum Neural Network
• Title（参考訳）: 量子ニューラルネットワークを用いたパラメトリックt-Stochastic Neighbor埋め込み
• Authors: Yoshiaki Kawase, Kosuke Mitarai, Keisuke Fujii
• Abstract要約: t-SNE(t-Stochastic Neighbor Embedding)は、古典的機械学習における非パラメトリックデータ可視化手法である。 低次元データ上での高次元量子データの特性を反映するために、パラメトリックt-SNEに量子ニューラルネットワークを用いることを提案する。
• 参考スコア（独自算出の注目度）: 0.6946929968559495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: t-Stochastic Neighbor Embedding (t-SNE) is a non-parametric data visualization method in classical machine learning. It maps the data from the high-dimensional space into a low-dimensional space, especially a two-dimensional plane, while maintaining the relationship, or similarities, between the surrounding points. In t-SNE, the initial position of the low-dimensional data is randomly determined, and the visualization is achieved by moving the low-dimensional data to minimize a cost function. Its variant called parametric t-SNE uses neural networks for this mapping. In this paper, we propose to use quantum neural networks for parametric t-SNE to reflect the characteristics of high-dimensional quantum data on low-dimensional data. We use fidelity-based metrics instead of Euclidean distance in calculating high-dimensional data similarity. We visualize both classical (Iris dataset) and quantum (time-depending Hamiltonian dynamics) data for classification tasks. Since this method allows us to represent a quantum dataset in a higher dimensional Hilbert space by a quantum dataset in a lower dimension while keeping their similarity, the proposed method can also be used to compress quantum data for further quantum machine learning.
• Abstract（参考訳）: t-SNE(t-Stochastic Neighbor Embedding)は、古典的機械学習における非パラメトリックデータ可視化手法である。 これは高次元空間から低次元空間、特に二次元平面へデータをマッピングし、周囲の点間の関係や類似性を維持している。 t-sneでは、低次元データの初期位置をランダムに決定し、低次元データを移動してコスト関数を最小限にすることで可視化を行う。 パラメトリックt-SNEと呼ばれるその変種は、このマッピングにニューラルネットワークを使用する。 本稿では,低次元データ上の高次元量子データの特性を反映するために,パラメトリックt-SNEの量子ニューラルネットワークを提案する。 我々は高次元データの類似性を計算するためにユークリッド距離の代わりに忠実度に基づくメトリクスを使用する。 古典データ(irisデータセット)と量子データ(時間依存ハミルトニアンダイナミクス)の両方を分類タスクとして可視化する。 この方法では, 量子データセットの高次元ヒルベルト空間における表現を, 類似性を保ちながら低次元の量子データセットで表現できるので, 提案手法は, さらなる量子機械学習のための量子データ圧縮にも利用できる。

関連論文リスト

• A dimensionality reduction technique based on the Gromov-Wasserstein distance [7.8772082926712415]
  本稿では, 最適輸送理論とGromov-Wasserstein距離に基づく次元減少法を提案する。 提案手法は,高次元データを低次元空間に埋め込み,複雑な高次元データセットを解析するための堅牢で効率的な解を提供する。
  論文  参考訳（メタデータ） (2025-01-23T15:05:51Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• 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)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Tree tensor network classifiers for machine learning: from quantum-inspired to quantum-assisted [0.0]
  本稿では,データベクトルの長さが指数関数的に大きいヒルベルト空間において,多変量データを量子状態に符号化する量子支援機械学習(QAML)法について述べる。 本稿ではゲートベースの量子コンピューティングデバイスに実装可能なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-06T02:31:48Z)
• A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
  本稿では,Vec2vecという新しい局所非線形手法を提案する。 ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-10T23:10:47Z)
• High-Dimensional Similarity Search with Quantum-Assisted Variational Autoencoder [3.6704555687356644]
  量子機械学習は、量子優位性を示す潜在的アプローチとして評価されている。 QVAEの潜在空間表現に基づいて、空間効率の高い検索インデックスを構築する方法を示す。 線形探索と比較して現実のスピードアップを見つけ、メモリ効率のスケーリングを5億のデータポイントに示す。
  論文  参考訳（メタデータ） (2020-06-13T16:55:23Z)
• Quantum embeddings for machine learning [5.16230883032882]
  量子分類器は、機械学習モデルとして使用されるトレーニング可能な量子回路である。 我々は、ヒルベルト空間におけるデータクラスを最大限に分離することを目的として、回路の最初の部分(埋め込み)を訓練することを提案する。 このアプローチは量子機械学習のための強力な分析フレームワークを提供する。
  論文  参考訳（メタデータ） (2020-01-10T19:00:01Z)

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。