論文の概要: A kernel-based quantum random forest for improved classification

• arxiv url: http://arxiv.org/abs/2210.02355v1
• Date: Wed, 5 Oct 2022 15:57:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 15:21:22.101560
• Title: A kernel-based quantum random forest for improved classification
• Title（参考訳）: 改良された分類のためのカーネルベース量子ランダムフォレスト
• Authors: Maiyuren Srikumar, Charles D. Hill and Lloyd C.L. Hollenberg
• Abstract要約: 従来の古典的学習手法を強化する量子機械学習(QML)は、その実現に様々な制限がある。 量子カーネル推定(QKE)によって計算されるカーネル関数で線形量子支援ベクトルマシン(QSVM)を拡張する。 オーバーフィッティングを制限するため、カーネル行列に低ランクNystr"om近似を適用するようモデルをさらに拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emergence of Quantum Machine Learning (QML) to enhance traditional classical learning methods has seen various limitations to its realisation. There is therefore an imperative to develop quantum models with unique model hypotheses to attain expressional and computational advantage. In this work we extend the linear quantum support vector machine (QSVM) with kernel function computed through quantum kernel estimation (QKE), to form a decision tree classifier constructed from a decision directed acyclic graph of QSVM nodes - the ensemble of which we term the quantum random forest (QRF). To limit overfitting, we further extend the model to employ a low-rank Nystr\"{o}m approximation to the kernel matrix. We provide generalisation error bounds on the model and theoretical guarantees to limit errors due to finite sampling on the Nystr\"{o}m-QKE strategy. In doing so, we show that we can achieve lower sampling complexity when compared to QKE. We numerically illustrate the effect of varying model hyperparameters and finally demonstrate that the QRF is able obtain superior performance over QSVMs, while also requiring fewer kernel estimations.
• Abstract（参考訳）: 伝統的な古典的学習方法を強化する量子機械学習(qml)の出現は、その実現に様々な制限があった。 したがって、表現と計算の優位性を達成するために、ユニークなモデル仮説を持つ量子モデルを開発することが必須である。 本稿では,線形量子サポートベクトルマシン(qsvm)を,量子カーネル推定(qke)により計算したカーネル関数を用いて拡張し,量子ランダムフォレスト(qrf)と呼ばれるqsvmノードの決定指向非循環グラフから構築した決定木分類器を作成する。 オーバーフィッティングを制限するため、より低ランクなNystr\"{o}m近似をカーネル行列に適用するようにモデルを拡張する。 モデル上の一般化誤差境界と、Nystr\"{o}m-QKE 戦略上の有限サンプリングによる誤差の制限を理論的に保証する。 そこで本研究では,QKEと比較してサンプリングの複雑さが低いことを示す。 モデルハイパーパラメータの影響を数値的に説明し、最終的にQRFがQSVMよりも優れた性能を得られることを示した。

関連論文リスト

• Projective Quantum Eigensolver with Generalized Operators [0.0]
  PQEフレームワークにおける閉形式残留方程式の観点から一般化作用素を決定する手法を開発する。 いくつかの分子系への応用により、アンザッツは単体、二重体、三重体を含む(異方性)UCCと同様の精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2024-10-21T15:40:22Z)
• Explicit quantum surrogates for quantum kernel models [0.6834295298053009]
  暗黙的モデルの明示的量子サロゲート(EQS)を作成するための量子古典ハイブリッドアルゴリズムを提案する。 これには、暗黙のモデルから観測可能なものを対角化し、対応する量子回路を構築することが含まれる。 EQSフレームワークは予測コストを削減し、不毛の高原問題を軽減し、両方のQMLアプローチの長所を組み合わせる。
  論文  参考訳（メタデータ） (2024-08-06T07:15:45Z)
• Unleashing the Expressive Power of Pulse-Based Quantum Neural Networks [0.46085106405479537]
  ノイズ中間スケール量子(NISQ)デバイスに基づく量子機械学習(QML)は、限られた量子リソースの最適利用に依存している。 ゲートベースのQMLモデルは、ソフトウェアエンジニアにとってユーザフレンドリーである。 パルスベースのモデルにより、"無限に"深い量子ニューラルネットワークを同時に構築することができる。
  論文  参考訳（メタデータ） (2024-02-05T10:47:46Z)
• Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
  本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。 古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)
• Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs. Coded Systems [69.33243249411113]
  パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。 我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
  論文  参考訳（メタデータ） (2020-12-15T15:51:27Z)
• Practical application improvement to Quantum SVM: theory to practice [0.9449650062296824]
  量子特徴写像を用いて、データを量子状態に変換し、これらの量子状態からSVMカーネルを構築する。 実験では,データセットの複雑さに関わらず,QSVMがSVMに対して等しく動作することを示す。
  論文  参考訳（メタデータ） (2020-12-14T17:19:17Z)
• Chaos and Complexity from Quantum Neural Network: A study with Diffusion Metric in Machine Learning [0.0]
  量子ニューラルネットワーク(QNN)の機械学習力学における量子カオス現象と複雑性について検討する。 統計的および微分幾何学的手法を用いてQNNの学習理論を研究する。
  論文  参考訳（メタデータ） (2020-11-16T10:41:47Z)
• Momentum Q-learning with Finite-Sample Convergence Guarantee [49.38471009162477]
  本稿では,有限サンプル保証を用いたモーメントに基づくQ-ラーニングアルゴリズムのクラスを解析する。 線形関数近似とマルコフサンプリングによるMomentumQの収束保証を確立する。 提案したMomentumQが他のモーメントベースのQ-ラーニングアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-30T12:27:03Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。