論文の概要: Overfitting in quantum machine learning and entangling dropout

• arxiv url: http://arxiv.org/abs/2205.11446v1
• Date: Mon, 23 May 2022 16:35:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 20:20:35.747496
• Title: Overfitting in quantum machine learning and entangling dropout
• Title（参考訳）: 量子機械学習と絡み合うドロップアウトにおけるオーバーフィッティング
• Authors: Masahiro Kobayashi, Kohei Nakaji, Naoki Yamamoto
• Abstract要約: 機械学習の最終的な目標は、目に見えないデータセットの一般化機能を持つモデル関数を構築することである。 モデル関数が表現力過剰な場合、トレーニングデータに過度に適合し、結果として一般化能力を失う可能性がある。 本稿では,量子機械学習システムにおけるこの手法の簡単な類似点であるエンタングリングドロップアウトを提案する。
• 参考スコア（独自算出の注目度）: 0.9404723842159504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ultimate goal in machine learning is to construct a model function that has a generalization capability for unseen dataset, based on given training dataset. If the model function has too much expressibility power, then it may overfit to the training data and as a result lose the generalization capability. To avoid such overfitting issue, several techniques have been developed in the classical machine learning regime, and the dropout is one such effective method. This paper proposes a straightforward analogue of this technique in the quantum machine learning regime, the entangling dropout, meaning that some entangling gates in a given parametrized quantum circuit are randomly removed during the training process to reduce the expressibility of the circuit. Some simple case studies are given to show that this technique actually suppresses the overfitting.
• Abstract（参考訳）: 機械学習の最終的な目標は、与えられたトレーニングデータセットに基づいて、未知覚データセットの一般化機能を持つモデル関数を構築することである。 モデル関数に過剰な表現能力がある場合、トレーニングデータに過度に適合し、結果として一般化能力を失う可能性がある。 このような過度に適合する問題を避けるため、古典的な機械学習システムにおいていくつかの技術が開発され、ドロップアウトはそのような効果的な方法の1つである。 本稿では,この手法を量子機械学習理論のエンタングリング・ドロップアウト(enangling dropout)で直接例示する。つまり,与えられたパラメトリド量子回路内の一部のエンタングリングゲートをランダムに除去して,回路の表現可能性を低減する。 いくつかの簡単なケーススタディは、この手法が実際に過剰適合を抑制することを示す。

関連論文リスト

• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Generalization Error in Quantum Machine Learning in the Presence of Sampling Noise [0.8532753451809455]
  Eigentask Learningは、出力サンプリングノイズの存在下で無限入力トレーニングデータで学習するフレームワークである。 入力トレーニングデータセットと出力計測サンプリングショットの両方が有限である場合、汎用量子機械学習システムのトレーニングおよび一般化誤差を算出する。
  論文  参考訳（メタデータ） (2024-10-18T17:48:24Z)
• Evolutionary-enhanced quantum supervised learning model [0.0]
  本研究は,進化的アンサッツフリー教師あり学習モデルを提案する。 パラメタライズド回路とは対照的に、われわれのモデルはエリート的手法によって進化する可変位相を持つ回路を用いる。 我々のフレームワークは不毛の台地を避けることに成功し、結果としてモデルの精度が向上した。
  論文  参考訳（メタデータ） (2023-11-14T11:08:47Z)
• A general learning scheme for classical and quantum Ising machines [0.0]
  本稿では,Ising構造に基づく機械学習モデルを提案する。 提案した学習モデルのトレーニングと実行に関する実験結果を示す。 特に量子領域では、量子リソースはモデルの実行とトレーニングの両方に使用され、量子機械学習において有望な視点を提供する。
  論文  参考訳（メタデータ） (2023-10-27T18:07:02Z)
• A General Approach to Dropout in Quantum Neural Networks [1.5771347525430772]
  オーバーフィッティング(Overfitting)とは、与えられたモデルがトレーニングデータを過度に学習した場合に発生する現象である。 量子ニューラルネットワークが学習モデルとして登場したことで、オーバーフィッティングが問題になるかもしれない。
  論文  参考訳（メタデータ） (2023-10-06T09:39:30Z)
• 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)
• Quantum circuit debugging and sensitivity analysis via local inversions [62.997667081978825]
  本稿では,回路に最も影響を及ぼす量子回路の断面をピンポイントする手法を提案する。 我々は,IBM量子マシン上に実装されたアルゴリズム回路の例に応用して,提案手法の実用性と有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T19:39:31Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。