論文の概要: Parallel Hybrid Networks: an interplay between quantum and classical neural networks

• arxiv url: http://arxiv.org/abs/2303.03227v1
• Date: Mon, 6 Mar 2023 15:45:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 15:27:34.988942
• Title: Parallel Hybrid Networks: an interplay between quantum and classical neural networks
• Title（参考訳）: 並列ハイブリッドネットワーク:量子ニューラルネットワークと古典ニューラルネットワークの相互作用
• Authors: Mohammad Kordzanganeh, Daria Kosichkina, Alexey Melnikov
• Abstract要約: 我々は、データセットの入力を並列に渡す、新しい解釈可能なハイブリッド量子ニューラルネットワークのクラスを導入する。 この主張は、周期分布からサンプリングされた2つの合成データセットに対して、雑音としてプロテクションを付加したものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum neural networks represent a new machine learning paradigm that has recently attracted much attention due to its potential promise. Under certain conditions, these models approximate the distribution of their dataset with a truncated Fourier series. The trigonometric nature of this fit could result in angle-embedded quantum neural networks struggling to fit the non-harmonic features in a given dataset. Moreover, the interpretability of neural networks remains a challenge. In this work, we introduce a new, interpretable class of hybrid quantum neural networks that pass the inputs of the dataset in parallel to 1) a classical multi-layered perceptron and 2) a variational quantum circuit, and then the outputs of the two are linearly combined. We observe that the quantum neural network creates a smooth sinusoidal foundation base on the training set, and then the classical perceptrons fill the non-harmonic gaps in the landscape. We demonstrate this claim on two synthetic datasets sampled from periodic distributions with added protrusions as noise. The training results indicate that the parallel hybrid network architecture could improve the solution optimality on periodic datasets with additional noise.
• Abstract（参考訳）: 量子ニューラルネットワークは、最近注目を集めている新しい機械学習パラダイムを表している。 特定の条件下では、これらのモデルは計算されたフーリエ級数でデータセットの分布を近似する。 この適合の三角性の性質は、与えられたデータセットの非調和的特徴に収まるのに苦労する角度埋め込み量子ニューラルネットワークをもたらす可能性がある。 さらに、ニューラルネットワークの解釈可能性も課題である。 本研究では、データセットの入力を並列に渡すハイブリッド量子ニューラルネットワークの新しい解釈可能なクラスを導入する。 1)古典的な多層パーセプトロンと 2) 変分量子回路、次に2つの出力が線形に結合される。 量子ニューラルネットワークは、トレーニングセット上に滑らかな正弦波基底を作り、その後、古典的なパーセプトロンが風景の非調和ギャップを埋めることを観測する。 この主張を,周期分布からサンプリングした2つの合成データセットで実証する。 トレーニングの結果,並列ハイブリッドネットワークアーキテクチャは,雑音を付加した周期データセットの解の最適性を向上する可能性が示唆された。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Dissipation-driven quantum generative adversarial networks [11.833077116494929]
  本稿では,従来のデータ生成に適した,分散駆動型量子生成逆数ネットワーク(DQGAN)アーキテクチャを提案する。 古典データは、強い調整された散逸過程を通じて入力層の入力量子ビットに符号化される。 出力量子ビットの定常状態の可観測値を測定することにより、生成されたデータと分類結果の両方を抽出する。
  論文  参考訳（メタデータ） (2024-08-28T07:41:58Z)
• Training-efficient density quantum machine learning [2.918930150557355]
  量子機械学習は強力でフレキシブルで効率的にトレーニング可能なモデルを必要とする。 トレーニング可能なユニタリの集合にランダム化を組み込んだ学習モデルである密度量子ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T16:40:28Z)
• Enhancing the expressivity of quantum neural networks with residual connections [0.0]
  量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。 我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
  論文  参考訳（メタデータ） (2024-01-29T04:00:51Z)
• A Scalable Walsh-Hadamard Regularizer to Overcome the Low-degree Spectral Bias of Neural Networks [79.28094304325116]
  任意の関数を学習するニューラルネットワークの能力にもかかわらず、勾配降下によって訓練されたモデルは、しばしばより単純な関数に対するバイアスを示す。 我々は、この低度周波数に対するスペクトルバイアスが、現実のデータセットにおけるニューラルネットワークの一般化を実際にいかに損なうかを示す。 本稿では,ニューラルネットワークによる高次周波数学習を支援する,スケーラブルな機能正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-16T20:06:01Z)
• Quantum HyperNetworks: Training Binary Neural Networks in Quantum Superposition [16.1356415877484]
  量子コンピュータ上でバイナリニューラルネットワークをトレーニングするメカニズムとして量子ハイパーネットを導入する。 提案手法は, 最適パラメータ, ハイパーパラメータ, アーキテクチャ選択を, 分類問題に対する高い確率で効果的に発見できることを示す。 私たちの統合されたアプローチは、機械学習の分野における他のアプリケーションにとって大きなスコープを提供します。
  論文  参考訳（メタデータ） (2023-01-19T20:06:48Z)
• A Classical-Quantum Convolutional Neural Network for Detecting Pneumonia from Chest Radiographs [0.0]
  胸部X線写真から肺炎を検出する問題に対して,変分量子回路を古典的ニューラルネットワークに統合する方法を示す。 胸部X線写真を含む画像データセット上で両ネットワークをトレーニングし,その性能をベンチマークする。 このハイブリッドネットワークは,異なる性能指標において従来のネットワークよりも優れており,これらの改善は統計的に有意であることを示す。
  論文  参考訳（メタデータ） (2022-02-19T05:13:37Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• The Separation Capacity of Random Neural Networks [78.25060223808936]
  標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。 我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
  論文  参考訳（メタデータ） (2021-07-31T10:25:26Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
  本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。 フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
  論文  参考訳（メタデータ） (2021-03-01T03:10:11Z)

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。