論文の概要: Hybrid Genetic Optimisation for Quantum Feature Map Design

• arxiv url: http://arxiv.org/abs/2302.02980v1
• Date: Mon, 6 Feb 2023 18:13:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 15:34:42.786478
• Title: Hybrid Genetic Optimisation for Quantum Feature Map Design
• Title（参考訳）: 量子特徴マップ設計のためのハイブリッド遺伝的最適化
• Authors: Rowan Pellow-Jarman, Anban Pillay, Ilya Sinayskiy and Francesco Petruccione
• Abstract要約: 遺伝的アルゴリズムに基づく量子特徴写像設計における精度の代用として,カーネル・ターゲットアライメントの適合性を示す。 カーネルとターゲットのアライメントは精度よりも高速に評価でき、その評価のために予約されるデータポイントは必要ない。 合計8つの新しいアプローチが、UCI機械学習レポジトリの9つの異なるバイナリ分類問題にまたがるオリジナルと比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kernel methods are an important class of techniques in machine learning. To be effective, good feature maps are crucial for mapping non-linearly separable input data into a higher dimensional (feature) space, thus allowing the data to be linearly separable in feature space. Previous work has shown that quantum feature map design can be automated for a given dataset using NSGA-II, a genetic algorithm, while both minimizing circuit size and maximizing classification accuracy. However, the evaluation of the accuracy achieved by a candidate feature map is costly. In this work, we demonstrate the suitability of kernel-target alignment as a substitute for accuracy in genetic algorithm-based quantum feature map design. Kernel-target alignment is faster to evaluate than accuracy and doesn't require some data points to be reserved for its evaluation. To further accelerate the evaluation of genetic fitness, we provide a method to approximate kernel-target alignment. To improve kernel-target alignment and root mean squared error, the final trainable parameters of the generated circuits are further trained using COBYLA to determine whether a hybrid approach applying conventional circuit parameter training can easily complement the genetic structure optimization approach. A total of eight new approaches are compared to the original across nine varied binary classification problems from the UCI machine learning repository, showing that kernel-target alignment and its approximation produce feature map circuits enabling comparable accuracy to the previous work but with larger margins on training data (in excess of 20\% larger) that improve further with circuit parameter training.
• Abstract（参考訳）: カーネルメソッドは、機械学習における重要な技術クラスである。 有効にするためには、優れた特徴写像は、非線形分離可能な入力データを高次元(機能)空間にマッピングするために不可欠である。 従来の研究によると、量子特徴写像の設計は遺伝アルゴリズムNSGA-IIを用いて、回路サイズを最小化し、分類精度を最大化する。 しかしながら、候補特徴マップによって達成される精度の評価はコストがかかる。 本研究では,遺伝的アルゴリズムに基づく量子特徴マップ設計における精度の代替として,カーネル・ターゲットアライメントの適合性を示す。 カーネル-ターゲットアライメントは精度よりも高速に評価でき、その評価のために予約されるデータポイントは必要ない。 遺伝子適合性の評価をさらに加速するため,カーネル・ターゲットアライメントを近似する手法を提案する。 カーネル-ターゲットアライメントとルート平均二乗誤差を改善するために、COBYLAを用いて生成回路の最終的なトレーニング可能なパラメータを更に訓練し、従来の回路パラメータトレーニングを適用したハイブリッドアプローチが遺伝的構造最適化アプローチを簡単に補完できるかどうかを判断する。 合計8つの新しいアプローチが、UCI機械学習レポジトリの9つの異なるバイナリ分類問題に比較され、カーネルとターゲットのアライメントとその近似が、以前の処理に匹敵する精度を実現する機能マップ回路を生成するが、回路パラメータのトレーニングによりさらに改善するトレーニングデータ(20倍以上)のマージンが大きいことが示されている。

関連論文リスト

• Efficient Convex Algorithms for Universal Kernel Learning [46.573275307034336]
  カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。 従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。 本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-15T04:57:37Z)
• Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
  2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。 本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
  論文  参考訳（メタデータ） (2023-01-30T15:46:39Z)
• Generating quantum feature maps for SVM classifier [0.0]
  本稿では,量子化支援ベクトルマシンのための2つの量子特徴写像の生成法と比較を行った。 第1の方法は、分類の精度を最大化するペナルティ法を用いて、多目的フィットネス機能を持つ遺伝的アルゴリズムである。 第2の方法は変分量子回路を用い、ユニタリ行列分解に基づいてアンザッツをコントラクトする方法に焦点をあてる。
  論文  参考訳（メタデータ） (2022-07-23T07:28:23Z)
• Automatic design of quantum feature maps [0.3867363075280543]
  量子支援ベクトルマシン(QSVM)を用いた最適アドホックアンゼの自動生成手法を提案する。 この効率的な方法はNSGA-II多目的遺伝的アルゴリズムに基づいており、精度を最大化し、アンザッツサイズを最小化することができる。
  論文  参考訳（メタデータ） (2021-05-26T15:31:10Z)
• Why Approximate Matrix Square Root Outperforms Accurate SVD in Global Covariance Pooling? [59.820507600960745]
  本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。 提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-05-06T08:03:45Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• A New Algorithm for Tessellated Kernel Learning [4.264192013842097]
  カーネルの理想的な集合として、線形パラメータ化(トラクタビリティ)を認めること、(堅牢性のために)すべてのカーネルの集合に密着すること、(正確性のために)普遍的であること、がある。 最近提案されたTesselated Kernels (TK) は、3つの基準を満たす唯一の既知のクラスである。 対照的に、提案した2ステップのアルゴリズムは1万個のデータポイントにスケールし、回帰問題にまで拡張する。
  論文  参考訳（メタデータ） (2020-06-13T18:33:31Z)
• Gradient Centralization: A New Optimization Technique for Deep Neural Networks [74.935141515523]
  勾配集中(GC)は、勾配ベクトルをゼロ平均とする集中化によって、勾配を直接操作する。 GCは、制約された損失関数を持つ射影勾配降下法とみなすことができる。 GCは実装が非常に簡単で、1行のコードだけで既存のグラデーションベースのDNNに簡単に組み込める。
  論文  参考訳（メタデータ） (2020-04-03T10:25:00Z)
• Learning to Optimize Non-Rigid Tracking [54.94145312763044]
  我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。 まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。 次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
  論文  参考訳（メタデータ） (2020-03-27T04:40:57Z)
• Intra Order-preserving Functions for Calibration of Multi-Class Neural Networks [54.23874144090228]
  一般的なアプローチは、元のネットワークの出力をキャリブレーションされた信頼スコアに変換する、ポストホックキャリブレーション関数を学ぶことである。 以前のポストホックキャリブレーション技術は単純なキャリブレーション機能でしか機能しない。 本稿では,順序保存関数のクラスを表すニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-15T12:57:21Z)

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。