論文の概要: Incremental Data-Uploading for Full-Quantum Classification
- arxiv url: http://arxiv.org/abs/2205.03057v1
- Date: Fri, 6 May 2022 07:39:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 13:15:16.393411
- Title: Incremental Data-Uploading for Full-Quantum Classification
- Title（参考訳）: 完全量子分類のためのインクリメンタルデータアップロード
- Authors: Maniraman Periyasamy, Nico Meyer, Christian Ufrecht, Daniel D.
Scherer, Axel Plinge, Christopher Mutschler
- Abstract要約: 「増分データアップロード」は、これらの課題に対処する高次元データのための新しいパターンエンコーディングである。
MNISTデータセットとFashion-MNISTデータセットを用いた分類タスクにおいて,符号化パターンの有効性を示す。
- 参考スコア（独自算出の注目度）: 1.3946033794136758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The data representation in a machine-learning model strongly influences its
performance. This becomes even more important for quantum machine learning
models implemented on noisy intermediate scale quantum (NISQ) devices. Encoding
high dimensional data into a quantum circuit for a NISQ device without any loss
of information is not trivial and brings a lot of challenges. While simple
encoding schemes (like single qubit rotational gates to encode high dimensional
data) often lead to information loss within the circuit, complex encoding
schemes with entanglement and data re-uploading lead to an increase in the
encoding gate count. This is not well-suited for NISQ devices. This work
proposes 'incremental data-uploading', a novel encoding pattern for high
dimensional data that tackles these challenges. We spread the encoding gates
for the feature vector of a given data point throughout the quantum circuit
with parameterized gates in between them. This encoding pattern results in a
better representation of data in the quantum circuit with a minimal
pre-processing requirement. We show the efficiency of our encoding pattern on a
classification task using the MNIST and Fashion-MNIST datasets, and compare
different encoding methods via classification accuracy and the effective
dimension of the model.
- Abstract（参考訳）: 機械学習モデルにおけるデータ表現は、その性能に大きく影響する。
これは、ノイズの多い中間スケール量子(NISQ)デバイス上に実装された量子機械学習モデルにとってさらに重要である。
高次元データをNISQデバイス用の量子回路に符号化することは、情報を失うことなく簡単であり、多くの課題をもたらす。
単純な符号化方式(高次元データを符号化する単一キュービット回転ゲートのような)は回路内の情報損失を引き起こすことが多いが、絡み合いとデータ再アップロードを伴う複雑な符号化方式は符号化ゲート数の増加につながる。
NISQデバイスには適していない。
本稿では,高次元データに対する新しいエンコーディングパターンである「インクリメンタル・データ・アップローディング」を提案する。
我々は、与えられたデータポイントの特徴ベクトルの符号化ゲートをパラメータ化ゲートで量子回路全体に展開した。
このエンコーディングパターンは、最小限の事前処理要件で量子回路内のデータのより優れた表現をもたらす。
mnistおよびfashion-mnistデータセットを用いた分類タスクにおける符号化パターンの有効性を示し,分類精度とモデルの有効次元を用いて異なる符号化手法を比較した。
関連論文リスト
- Accelerating Error Correction Code Transformers [56.75773430667148]
本稿では,トランスを用いたデコーダの高速化手法を提案する。
最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
論文 参考訳（メタデータ） (2024-10-08T11:07:55Z) - Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks [2.789685107745028]
準進化モデルの効率性を高めるための2つの方法を提案する。
まず,任意の符号化手法に適用可能なメモ化を用いたフレキシブルなデータ量子化手法を提案する。
第2に、単一回路における符号化と処理のステップを組み合わせた、新たな統合符号化戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T07:57:13Z) - Training quantum machine learning models on cloud without uploading the data [0.0]
本稿では,入力データを符号化する前にパラメータ化量子回路を動作させる手法を提案する。
これにより、データセット所有者は、量子クラウドプラットフォーム上で機械学習モデルをトレーニングすることができる。
また、後に古典的な計算を用いて大量のデータを効果的に符号化することも可能である。
論文 参考訳（メタデータ） (2024-09-06T20:14:52Z) - Enhancing the performance of Variational Quantum Classifiers with hybrid autoencoders [0.0]
本稿では,特定の量子埋め込みを考慮し,与えられたデータセットの次元性を低減する方法を提案する。
この方法は、VQCを用いた量子機械学習をより汎用的で高次元のデータセットに効果的にすることを目的としている。
論文 参考訳（メタデータ） (2024-09-05T08:51:20Z) - The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。
本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-04-14T19:46:39Z) - PEOPL: Characterizing Privately Encoded Open Datasets with Public Labels [59.66777287810985]
プライバシとユーティリティのための情報理論スコアを導入し、不誠実なユーザの平均パフォーマンスを定量化する。
次に、ランダムなディープニューラルネットワークの使用を動機付ける符号化スキームのファミリーを構築する際のプリミティブを理論的に特徴づける。
論文 参考訳（メタデータ） (2023-03-31T18:03:53Z) - Quantum-parallel vectorized data encodings and computations on
trapped-ions and transmons QPUs [0.3262230127283452]
我々は、QCrankとQBArtという2つの新しいデータ符号化方式を導入する。
QCrankは実数値データのシーケンスをデータキュービットの回転としてエンコードし、高いストレージ密度を実現する。
QBArtはデータのバイナリ表現を計算ベースに埋め込み、量子測定を少なくする。
論文 参考訳（メタデータ） (2023-01-19T01:26:32Z) - Accelerating the training of single-layer binary neural networks using
the HHL quantum algorithm [58.720142291102135]
Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。
しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
論文 参考訳（メタデータ） (2022-10-23T11:58:05Z) - Performance of teleportation-based error correction circuits for bosonic
codes with noisy measurements [58.720142291102135]
テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。
マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
論文 参考訳（メタデータ） (2021-08-02T16:12:13Z) - Space-efficient binary optimization for variational computing [68.8204255655161]
本研究では,トラベリングセールスマン問題に必要なキュービット数を大幅に削減できることを示す。
また、量子ビット効率と回路深さ効率のモデルを円滑に補間する符号化方式を提案する。
論文 参考訳（メタデータ） (2020-09-15T18:17:27Z) - Supervised Learning Using a Dressed Quantum Network with "Super
Compressed Encoding": Algorithm and Quantum-Hardware-Based Implementation [7.599675376503671]
ノイズのある中間量子(NISQ)デバイス上での変分量子機械学習(QML)アルゴリズムの実装には、必要となるキュービット数とマルチキュービットゲートに関連するノイズに関連する問題がある。
本稿では,これらの問題に対処するための量子ネットワークを用いた変分QMLアルゴリズムを提案する。
他の多くのQMLアルゴリズムとは異なり、我々の量子回路は単一量子ビットゲートのみで構成されており、ノイズに対して堅牢である。
論文 参考訳（メタデータ） (2020-07-20T16:29:32Z)
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。