論文の概要: Generative Modeling with Quantum Neurons

• arxiv url: http://arxiv.org/abs/2302.00788v1
• Date: Wed, 1 Feb 2023 22:48:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 15:59:32.839267
• Title: Generative Modeling with Quantum Neurons
• Title（参考訳）: 量子ニューロンによる生成モデリング
• Authors: Kaitlin Gili, Rohan S. Kumar, Mykolas Sveistrys, C. J. Ballance
• Abstract要約: 最近提案されたQuantum Neuron Born Machine (QNBM) は、非線形アクティベーションを用いた最初の量子生成機械学習(ML)モデルとして、品質の初期性能を実証している。 我々は、生成モデルとしてのQNBMのポテンシャルを深く掘り下げることで、かなり前進する。
• 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 recently proposed Quantum Neuron Born Machine (QNBM) has demonstrated quality initial performance as the first quantum generative machine learning (ML) model proposed with non-linear activations. However, previous investigations have been limited in scope with regards to the model's learnability and simulatability. In this work, we make a considerable leap forward by providing an extensive deep dive into the QNBM's potential as a generative model. We first demonstrate that the QNBM's network representation makes it non-trivial to be classically efficiently simulated. Following this result, we showcase the model's ability to learn (express and train on) a wider set of probability distributions, and benchmark the performance against a classical Restricted Boltzmann Machine (RBM). The QNBM is able to outperform this classical model on all distributions, even for the most optimally trained RBM among our simulations. Specifically, the QNBM outperforms the RBM with an improvement factor of 75.3x, 6.4x, and 3.5x for the discrete Gaussian, cardinality-constrained, and Bars and Stripes distributions respectively. Lastly, we conduct an initial investigation into the model's generalization capabilities and use a KL test to show that the model is able to approximate the ground truth probability distribution more closely than the training distribution when given access to a limited amount of data. Overall, we put forth a stronger case in support of using the QNBM for larger-scale generative tasks.
• Abstract（参考訳）: 最近提案されたQuantum Neuron Born Machine (QNBM)は、非線形アクティベーションを備えた最初の量子生成機械学習(ML)モデルとして、品質の初期性能を示している。 しかし、モデルの学習性やシミュラビリティに関して、これまでの調査は範囲に限られていた。 本研究では, 生成モデルとしてのQNBMのポテンシャルを深く掘り下げることで, 飛躍的に前進する。 まず、qnbmのネットワーク表現が古典的に効率的にシミュレーションされることは非自明であることを示す。 この結果、より広い確率分布の集合を学習(表現と訓練)するモデルの能力を示し、古典的制限ボルツマンマシン(RBM)に対して性能をベンチマークする。 QNBMは、シミュレーションの中で最も最適に訓練されたRBMであっても、この古典的モデルを全ての分布で上回ることができる。 具体的には、QNBMはRBMよりも75.3x、6.4x、3.5xで、それぞれ個別のガウス、濃度制限、Bars、Stripesの分布が優れている。 最後に,モデルの一般化能力に関する初期調査を行い,klテストを用いて,限られた量のデータへのアクセスが与えられた場合,モデルがトレーニング分布よりも精度良く基底真理分布を近似できることを示す。 全体として,より大規模な生成タスクにQNBMを併用する上で,より強力な事例を提示した。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• A Metalearned Neural Circuit for Nonparametric Bayesian Inference [4.767884267554628]
  機械学習の分類への応用のほとんどは、バランスの取れたクラスの閉じた集合を前提としている。 これは、クラス発生統計が長い尾の力量分布に従うことがしばしばある実世界と矛盾する。 本研究では,非パラメトリックベイズモデルから誘導バイアスを抽出し,人工ニューラルネットワークに転送する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-24T16:43:17Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Work statistics, quantum signatures and enhanced work extraction in quadratic fermionic models [62.997667081978825]
  二次フェルミオンモデルでは、突然の駆動と時間依存の駆動の後、作業統計に対する量子補正を決定する。 このような補正は、初期量子状態と時間依存ハミルトニアンの非可換性にある。 後者のおかげで、作業のKDQ分布における古典的でないシグネチャの開始を評価することができる。
  論文  参考訳（メタデータ） (2023-02-27T13:42:40Z)
• Introducing Non-Linearity into Quantum Generative Models [0.0]
  我々は、ニューラルネットワーク構造を介して非線形アクティベーションを標準のBorn Machineフレームワークに追加するモデルを導入する。 非線形QNBMと線形量子回路ボルンマシンを比較した。 両モデルとも、自明な均一な確率分布を容易に学習できるが、QNBMはQCBMの約3倍の誤差率を達成する。
  論文  参考訳（メタデータ） (2022-05-28T18:59:49Z)
• Learning Reduced Nonlinear State-Space Models: an Output-Error Based Canonical Approach [8.029702645528412]
  非線形挙動を持つ動的システムのモデリングにおけるディープラーニングの有効性について検討する。 3つの非線形系を同定する能力を示す。 シミュレーションで生成したテストデータと,無人航空機飛行計測の現実的データセットを用いて,オープンループ予測の評価を行った。
  論文  参考訳（メタデータ） (2022-04-19T06:33:23Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Compositional Modeling of Nonlinear Dynamical Systems with ODE-based Random Features [0.0]
  この問題に対処するための新しいドメインに依存しないアプローチを提案する。 我々は、通常の微分方程式から導かれる物理インフォームド・ランダムな特徴の合成を用いる。 提案手法は,ベンチマーク回帰タスクにおいて,他の多くの確率モデルに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-06-10T17:55:13Z)
• Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
  私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。 我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
  論文  参考訳（メタデータ） (2021-03-02T06:59:52Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。