論文の概要: Quantum Semi-Supervised Kernel Learning

• arxiv url: http://arxiv.org/abs/2204.10700v1
• Date: Fri, 22 Apr 2022 13:39:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-25 17:21:59.321984
• Title: Quantum Semi-Supervised Kernel Learning
• Title（参考訳）: 量子半教師付きカーネル学習
• Authors: Seyran Saeedi, Aliakbar Panahi, Tom Arodz
• Abstract要約: 本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。 完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
• 参考スコア（独自算出の注目度）: 4.726777092009554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computing leverages quantum effects to build algorithms that are faster then their classical variants. In machine learning, for a given model architecture, the speed of training the model is typically determined by the size of the training dataset. Thus, quantum machine learning methods have the potential to facilitate learning using extremely large datasets. While the availability of data for training machine learning models is steadily increasing, oftentimes it is much easier to collect feature vectors that to obtain the corresponding labels. One of the approaches for addressing this issue is to use semi-supervised learning, which leverages not only the labeled samples, but also unlabeled feature vectors. Here, we present a quantum machine learning algorithm for training Semi-Supervised Kernel Support Vector Machines. The algorithm uses recent advances in quantum sample-based Hamiltonian simulation to extend the existing Quantum LS-SVM algorithm to handle the semi-supervised term in the loss. Through a theoretical study of the algorithm's computational complexity, we show that it maintains the same speedup as the fully-supervised Quantum LS-SVM.
• Abstract（参考訳）: 量子コンピューティングは量子効果を利用して、古典的変種よりも高速にアルゴリズムを構築する。 機械学習では、与えられたモデルアーキテクチャの場合、モデルのトレーニング速度はトレーニングデータセットのサイズによって決定される。 したがって、量子機械学習の手法は、非常に大きなデータセットを使って学習を容易にする可能性がある。 機械学習モデルのトレーニング用データの可用性は着実に向上しているが、対応するラベルを取得するための特徴ベクトルの収集は、しばしば容易である。 この問題に対処するアプローチの1つは、ラベル付きサンプルだけでなくラベルなしの機能ベクトルも活用する半教師付き学習を使用することである。 本稿では,半教師付きカーネルサポートベクターマシンを訓練する量子機械学習アルゴリズムを提案する。 このアルゴリズムは量子サンプルに基づくハミルトンシミュレーションの最近の進歩を利用して、既存の量子LS-SVMアルゴリズムを拡張し、損失の半教師付き項を扱う。 アルゴリズムの計算複雑性に関する理論的研究を通じて、完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
  本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。 従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
  論文  参考訳（メタデータ） (2023-11-17T07:33:42Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• 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)
• 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)
• Kernel Matrix Completion for Offline Quantum-Enhanced Machine Learning [0.09786690381850353]
  量子カーネル行列を拡張して,古典的(和グラフベース)行列補完アルゴリズムを用いて新しいデータを組み込む方法を示す。 完全完備化に必要な最小限のサンプル複雑性は、行列ランクに依存する。 実世界の産業関連データセットでは、最小サンプルの複雑さが到達していない場合でも、完了誤差は良好に振る舞う。
  論文  参考訳（メタデータ） (2021-12-15T19:44:39Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Quantum Machine Learning For Classical Data [0.0]
  量子コンピューティングと教師付き機械学習アルゴリズムの交差について研究する。 特に,教師付き機械学習アルゴリズムの高速化に量子コンピュータがどの程度使えるかを検討する。
  論文  参考訳（メタデータ） (2021-05-08T12:11:44Z)
• Quantum Support Vector Machines for Continuum Suppression in B Meson Decays [0.27342795342528275]
  古典的データを量子状態に変換するプロセスである異なる量子符号化回路が最終分類性能に与える影響について検討する。 本稿では、量子回路シミュレーションを用いて、0.848のAUC(Area Under Receiver Operating Characteristics Curve)の符号化手法を提案する。 データセットの縮小バージョンを使用して、IBM Quantum ibmq_casablancaデバイス上でアルゴリズムを実行し、平均AUCは0.703に達した。
  論文  参考訳（メタデータ） (2021-03-23T02:09:05Z)
• QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
  機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。 本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。 従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
  論文  参考訳（メタデータ） (2020-02-22T04:14:32Z)
• Statistical Limits of Supervised Quantum Learning [90.0289160657379]
  精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。 より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
  論文  参考訳（メタデータ） (2020-01-28T17:35:32Z)

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。