論文の概要: Sample efficient graph classification using binary Gaussian boson sampling

• arxiv url: http://arxiv.org/abs/2301.01232v3
• Date: Thu, 21 Sep 2023 20:59:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 19:24:23.186903
• Title: Sample efficient graph classification using binary Gaussian boson sampling
• Title（参考訳）: 二元ガウスボソンサンプリングを用いたサンプル効率的なグラフ分類
• Authors: Amanuel Anteneh and Olivier Pfister
• Abstract要約: 本稿では,グラフ構造化データを用いた機械学習タスクにおける量子アルゴリズムの変形について述べる。 我々の装置は、光子数分解検出器とは対照的に、バイナリ(光/光)検出器のみを必要とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a variation of a quantum algorithm for the machine learning task of classification with graph-structured data. The algorithm implements a feature extraction strategy that is based on Gaussian boson sampling (GBS) a near term model of quantum computing. However, unlike the currently proposed algorithms for this problem, our GBS setup only requires binary (light/no light) detectors, as opposed to photon number resolving detectors. These detectors are technologically simpler and can operate at room temperature, making our algorithm less complex and less costly to implement on the physical hardware. We also investigate the connection between graph theory and the matrix function called the Torontonian which characterizes the probabilities of binary GBS detection events.
• Abstract（参考訳）: 本稿では,グラフ構造データを用いた分類の機械学習タスクのための量子アルゴリズムのバリエーションを提案する。 このアルゴリズムは、gaussian boson sampling (gbs) に基づく量子コンピューティングの短期モデルに基づく特徴抽出戦略を実装している。 しかし、この問題に対して現在提案されているアルゴリズムとは異なり、GBSセットアップは光子数解決検出器とは対照的にバイナリ(光/光)検出器のみを必要とする。 これらの検出器は技術的に単純であり、室温で動作するため、我々のアルゴリズムはより複雑で、物理的ハードウェアに実装するコストも少なくなる。 また,2値GBS検出イベントの確率を特徴付けるトロントニアンと呼ばれる行列関数とグラフ理論の関連性についても検討する。

関連論文リスト

• Gaussian Boson Sampling to Accelerate NP-Complete Vertex-Minor Graph Classification [0.9935277311162707]
  2つのグラフが互いに小さいかどうかを決定するNP完全問題に対するハイブリッド量子古典アルゴリズムを提案する。 ワンショット分類精度と入力スクイーズ量とのトレーディングが可能なグラフ埋め込みを見つける。 本稿では,グラフスペクトルに基づく新しい古典的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-05T21:24:11Z)
• Solving Graph Problems Using Gaussian Boson Sampling [22.516585968074146]
  ノイズの多い中間スケールの量子コンピュータを用いてグラフ問題を解く。 我々は,大きな光子クリック数を持つGBS増幅の存在と,特定の雑音下での強化を実験的に観察した。 我々の研究は、既存の中間スケール量子コンピュータを用いて現実の問題をテストするためのステップである。
  論文  参考訳（メタデータ） (2023-02-02T08:25:47Z)
• 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)
• On the Cryptographic Hardness of Learning Single Periodic Neurons [42.86685497609574]
  ノイズの存在下での等方性ガウス分布より単一ニューロンを学習する際の暗号的難易度を簡易に低減することを示す。 提案アルゴリズムは勾配ベースや逆SQ-timeアルゴリズムではなく,LLL(Lenstra-LenstraLov'asz)格子に基づく。
  論文  参考訳（メタデータ） (2021-06-20T20:03:52Z)
• Gaussian boson sampling with partial distinguishability [0.0]
  本稿では,仮想モードと識別不可能性に基づくアプローチを用いて,部分的な識別可能性を持つGBSについて検討する。 GBSにおける量子超越性の境界は, 偏微分可能性によってさらに推し進めることができることを示す。
  論文  参考訳（メタデータ） (2021-05-20T08:17:51Z)
• Unsupervised Event Classification with Graphs on Classical and Photonic Quantum Computers [0.0]
  フォトニック量子コンピュータは、量子コンピューティングの離散量子ビットベースのパラダイムよりもいくつかの利点を提供している。 新物理の探索に使用する異常検出モデルを構築した。 ガウスボソンサンプリングとQ平均と呼ばれるK平均への量子拡張を組み合わせた新しい異常検出法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T19:02:31Z)
• Learning Graph Neural Networks with Approximate Gradient Descent [24.49427608361397]
  ラベルがノードまたはグラフに添付されているかどうかに応じて、2種類のグラフニューラルネットワーク(GNN)が調査されます。 gnnトレーニングアルゴリズムの設計と解析のための包括的なフレームワークを開発した。 提案アルゴリズムは,GNNの根底にある真のパラメータに対する線形収束率を保証する。
  論文  参考訳（メタデータ） (2020-12-07T02:54:48Z)
• Simulation of Quantum Computing on Classical Supercomputers [23.350853237013578]
  本研究では,非方向グラフの切断エッジに基づくスキームを提案する。 このスキームは、木幅の大きな無向グラフのエッジをカットし、多くの無向グラフを得る。 4096コアのスーパーコンピュータ上で120量子3規則QAOAアルゴリズムをシミュレートできる。
  論文  参考訳（メタデータ） (2020-10-28T13:26:41Z)
• Quantum Sampling Algorithms for Near-Term Devices [0.0]
  ギブス分布全体を符号化することで、偏りのないサンプルを提供する量子アルゴリズムのファミリを導入する。 このアプローチが従来のマルコフ連鎖アルゴリズムの高速化につながることを示す。 短期量子デバイス上で、潜在的に有用なサンプリングアルゴリズムを探索する扉を開く。
  論文  参考訳（メタデータ） (2020-05-28T14:46:20Z)
• GLSearch: Maximum Common Subgraph Detection via Learning to Search [33.9052190473029]
  検索モデルに対するグラフニューラルネットワーク(GNN)に基づく学習手法であるGLSearchを提案する。 このモデルでは2つの入力グラフから1対のノードを選択して一度に拡張する。 我々のGLSearchは、グラフ上の制約で他の多くの問題を解決するために拡張できる可能性がある。
  論文  参考訳（メタデータ） (2020-02-08T10:03:40Z)

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。