論文の概要: Verifying Fairness in Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2207.11173v1
• Date: Fri, 22 Jul 2022 16:18:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:54:02.485221
• Title: Verifying Fairness in Quantum Machine Learning
• Title（参考訳）: 量子機械学習における公正性の検証
• Authors: Ji Guan, Wang Fang and Mingsheng Ying
• Abstract要約: 公平性やその他の倫理的問題は、しばしば意思決定における主要な関心事の1つである。 量子ノイズが公正性を向上させることを示し、(ノイズの多い)量子機械学習モデルが公正かどうかを確認するアルゴリズムを開発する。
• 参考スコア（独自算出の注目度）: 1.5211628096103476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the beyond-classical capability of quantum computing, quantum machine learning is applied independently or embedded in classical models for decision making, especially in the field of finance. Fairness and other ethical issues are often one of the main concerns in decision making. In this work, we define a formal framework for the fairness verification and analysis of quantum machine learning decision models, where we adopt one of the most popular notions of fairness in the literature based on the intuition -- any two similar individuals must be treated similarly and are thus unbiased. We show that quantum noise can improve fairness and develop an algorithm to check whether a (noisy) quantum machine learning model is fair. In particular, this algorithm can find bias kernels of quantum data (encoding individuals) during checking. These bias kernels generate infinitely many bias pairs for investigating the unfairness of the model. Our algorithm is designed based on a highly efficient data structure -- Tensor Networks -- and implemented on Google's TensorFlow Quantum. The utility and effectiveness of our algorithm are confirmed by the experimental results, including income prediction and credit scoring on real-world data, for a class of random (noisy) quantum decision models with 27 qubits ($2^{27}$-dimensional state space) tripling ($2^{18}$ times more than) that of the state-of-the-art algorithms for verifying quantum machine learning models.
• Abstract（参考訳）: 量子コンピューティングの非古典的能力のため、量子機械学習は独立に適用され、特に金融の分野では、意思決定のために古典的モデルに埋め込まれる。 公正やその他の倫理的な問題は、意思決定における主要な関心事の1つである。 In this work, we define a formal framework for the fairness verification and analysis of quantum machine learning decision models, where we adopt one of the most popular notions of fairness in the literature based on the intuition -- any two similar individuals must be treated similarly and are thus unbiased. We show that quantum noise can improve fairness and develop an algorithm to check whether a (noisy) quantum machine learning model is fair. In particular, this algorithm can find bias kernels of quantum data (encoding individuals) during checking. These bias kernels generate infinitely many bias pairs for investigating the unfairness of the model. Our algorithm is designed based on a highly efficient data structure -- Tensor Networks -- and implemented on Google's TensorFlow Quantum. このアルゴリズムの有用性と有効性は,27 qubits (2^{27}$-dimensional state space)tripling (2^{18}$倍)の量子機械学習モデルを検証するための最先端アルゴリズムのランダムな(ノイズの多い)量子決定モデルに対して,実世界のデータに対する収入予測と信用スコアを含む実験結果によって確認される。

関連論文リスト

• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers [0.9374652839580181]
  最初の考慮事項の1つは、量子機械学習モデル自体の設計である。 最近の研究は、スピードアップによる量子アドバンテージが量子機械学習の正しい目標かどうかを疑問視し始めた。 本稿では,古典的なディープラーニングアルゴリズムの設計を量子ニューラルネットワークの設計に取り入れることで,代替手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T06:31:22Z)
• Detecting Violations of Differential Privacy for Quantum Algorithms [3.55689240295244]
  量子アルゴリズムの差分プライバシー違反を検出するための公式な枠組みを定義する。 差分プライバシー違反が報告されたときに情報を生成するため、ノイズの多いバッジアルゴリズムを開発する。 結果は、すでに現実的な量子コンピュータに実装されているほぼ全ての種類の量子アルゴリズムの実験結果によって確認される。
  論文  参考訳（メタデータ） (2023-09-09T15:07:31Z)
• 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)
• A single $T$-gate makes distribution learning hard [56.045224655472865]
  この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。 ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
  論文  参考訳（メタデータ） (2022-07-07T08:04:15Z)
• 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)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Benchmarking Small-Scale Quantum Devices on Computing Graph Edit Distance [52.77024349608834]
  グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。 本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
  論文  参考訳（メタデータ） (2021-11-19T12:35:26Z)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)
• Quantum Fair Machine Learning [1.8275108630751844]
  古典と量子フェアの機械学習アルゴリズムの違いと類似点の比較分析を行った。 本稿では,Groverの探索アルゴリズムを用いた量子フェア機械学習における最初の結果を示す。 正準リプシッツ条件の個々の公正度基準を量子メトリクスを用いて量子設定に拡張する。
  論文  参考訳（メタデータ） (2021-02-01T10:36:46Z)
• Robustness Verification of Quantum Classifiers [1.3534683694551501]
  我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。 堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。 我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
  論文  参考訳（メタデータ） (2020-08-17T11:56:23Z)

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。