論文の概要: Generalization with data-dependent quantum geometry

• arxiv url: http://arxiv.org/abs/2303.13462v2
• Date: Mon, 13 May 2024 13:04:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 01:51:46.783383
• Title: Generalization with data-dependent quantum geometry
• Title（参考訳）: データ依存型量子幾何学による一般化
• Authors: Tobias Haug, M. S. Kim,
• Abstract要約: データ量子フィッシャー情報メートル法(DQFIM)を導入する。 変分量子アルゴリズムのキャパシティは、変分アンサッツ、トレーニングデータ、およびそれらの対称性に依存する。 リー代数を用いて、低数の訓練状態を用いて一般化する方法を説明する。 最後に、異なるデータ分布からトレーニングデータとテストデータを描画するアウト・オブ・ディストリビューションの一般化が、同じ分布を使用するよりも優れていることを発見した。
• 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: Generalization is the ability of machine learning models to make accurate predictions on new data by learning from training data. However, understanding generalization of quantum machine learning models has been a major challenge. Here, we introduce the data quantum Fisher information metric (DQFIM). It describes the capacity of variational quantum algorithms depending on variational ansatz, training data and their symmetries. We apply the DQFIM to quantify circuit parameters and training data needed to successfully train and generalize. Using the dynamical Lie algebra, we explain how to generalize using a low number of training states. Counter-intuitively, breaking symmetries of the training data can help to improve generalization. Finally, we find that out-of-distribution generalization, where training and testing data are drawn from different data distributions, can be better than using the same distribution. Our work provides a useful framework to explore the power of quantum machine learning models.
• Abstract（参考訳）: 一般化とは、機械学習モデルがトレーニングデータから学習することで、新しいデータに対して正確な予測を行う能力である。 しかし、量子機械学習モデルの一般化を理解することが大きな課題となっている。 本稿では,データ量子フィッシャー情報量(DQFIM)について紹介する。 変分量子アルゴリズムのキャパシティは、変分アンサッツ、トレーニングデータ、およびそれらの対称性に依存する。 本稿では,DQFIMを用いて回路パラメータの定量化と,学習と一般化に要するトレーニングデータについて述べる。 動的リー代数を用いて、低数の訓練状態を用いて一般化する方法を説明する。 反故意に、トレーニングデータの破れ対称性は、一般化を改善するのに役立ちます。 最後に、異なるデータ分布からトレーニングデータとテストデータを描画するアウト・オブ・ディストリビューションの一般化が、同じ分布を使用するよりも優れていることを発見した。 私たちの研究は、量子機械学習モデルのパワーを探求するための有用なフレームワークを提供します。

関連論文リスト

• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• $ζ$-QVAE: A Quantum Variational Autoencoder utilizing Regularized Mixed-state Latent Representations [1.0687104237121408]
  短期量子コンピューティングにおける大きな課題は、量子ハードウェアリソースの不足による大規模な実世界のデータセットへの適用である。 古典的VAEのすべての機能を含む完全量子フレームワークである$zeta$-QVAEを提示する。 この結果から, $zeta$-QVAE は古典モデルとよく似た性能を示した。
  論文  参考訳（メタデータ） (2024-02-27T18:37:01Z)
• Understanding quantum machine learning also requires rethinking generalization [0.3683202928838613]
  一般化を理解する従来のアプローチでは、量子モデルの振る舞いを説明できないことを示す。 実験によると、最先端の量子ニューラルネットワークはトレーニングデータのランダムな状態とランダムなラベル付けに正確に適合している。
  論文  参考訳（メタデータ） (2023-06-23T12:04:13Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Do Quantum Circuit Born Machines Generalize? [58.720142291102135]
  本稿では,量子生成モデルの積分評価指標としてQCBMの一般化性能を示す文献で最初に紹介する。 そこで本研究では,QCBMがデータセットの再重み付けを効果的に学習し,未確認のサンプルをトレーニングセットよりも高い品質で生成可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-27T17:06:34Z)
• Out-of-distribution generalization for learning quantum dynamics [2.1503874224655997]
  積状態のみを訓練した絡み合った状態に対するユニタリの作用を学習できることが示される。 これは、短期量子ハードウェア上で量子力学を学ぶことの展望を前進させる。
  論文  参考訳（メタデータ） (2022-04-21T17:15:23Z)
• Generalization in quantum machine learning from few training data [4.325561431427748]
  現代の量子機械学習(QML)手法は、トレーニングデータセット上でパラメータ化された量子回路を変動的に最適化する。 トレーニング可能なゲートを最低で$sqrtT/N$とする量子機械学習モデルの一般化誤差を示す。 また、量子畳み込みニューラルネットワークによる相転移における量子状態の分類には、非常に小さなトレーニングデータセットが必要であることも示している。
  論文  参考訳（メタデータ） (2021-11-09T17:49:46Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)

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。