論文の概要: Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2304.03398v1
• Date: Thu, 6 Apr 2023 22:05:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 13:30:50.511128
• Title: Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning
• Title（参考訳）: 量子機械学習における信頼性不確かさの量子コンフォーマル予測
• Authors: Sangwoo Park, Osvaldo Simeone
• Abstract要約: 量子機械学習における根本的な課題は一般化である。 既存の一般化分析は、信頼できる情報的「エラーバー」を量子モデルによる決定に割り当てるには使用できない。 本稿では,量子モデルの不確かさを確実に定量化する手法を提案する。
• 参考スコア（独自算出の注目度）: 39.38412820403623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning is a promising programming paradigm for the optimization of quantum algorithms in the current era of noisy intermediate scale quantum (NISQ) computers. A fundamental challenge in quantum machine learning is generalization, as the designer targets performance under testing conditions, while having access only to limited training data. Existing generalization analyses, while identifying important general trends and scaling laws, cannot be used to assign reliable and informative "error bars" to the decisions made by quantum models. In this article, we propose a general methodology that can reliably quantify the uncertainty of quantum models, irrespective of the amount of training data, of the number of shots, of the ansatz, of the training algorithm, and of the presence of quantum hardware noise. The approach, which builds on probabilistic conformal prediction, turns an arbitrary, possibly small, number of shots from a pre-trained quantum model into a set prediction, e.g., an interval, that provably contains the true target with any desired coverage level. Experimental results confirm the theoretical calibration guarantees of the proposed framework, referred to as quantum conformal prediction.
• Abstract（参考訳）: 量子機械学習は、現在のノイズの多い中間スケール量子(NISQ)コンピュータにおける量子アルゴリズムの最適化のための有望なプログラミングパラダイムである。 量子機械学習における基本的な課題は、設計者が限られたトレーニングデータのみにアクセスしながら、テスト条件下でのパフォーマンスを目標とする一般化である。 既存の一般化分析は、重要な一般的な傾向とスケーリング法則を識別する一方で、量子モデルによる決定に信頼性があり情報的な「エラーバー」を割り当てるには使用できない。 本稿では,トレーニングデータ量,ショット数,アンサッツ数,トレーニングアルゴリズム,量子ハードウェアノイズの有無に関わらず,量子モデルの不確実性を確実に定量化するための一般的な手法を提案する。 確率的共形予測に基づくこのアプローチは、事前訓練された量子モデルから、任意の(おそらくは小さい)ショット数を、所望のカバレッジレベルを持つ真のターゲットを含む、例えば間隔のような、セットされた予測に変換する。 実験結果は、量子共形予測と呼ばれる提案フレームワークの理論的校正保証を確認した。

関連論文リスト

• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Single-shot quantum machine learning [0.3277163122167433]
  我々は、量子学習モデルがほぼ決定論的に予測を生成できる時期を分析する。 量子学習モデルがほぼ決定論的である程度は、埋め込み量子状態の識別可能性によって制約されることを示す。 我々は、量子学習モデルは汎用的な方法で単発ではあり得ず、同時に訓練可能であることを示して結論付けた。
  論文  参考訳（メタデータ） (2024-06-19T20:17:18Z)
• Power Characterization of Noisy Quantum Kernels [52.47151453259434]
  一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。 我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
  論文  参考訳（メタデータ） (2024-01-31T01:02:16Z)
• Practical limitations of quantum data propagation on noisy quantum processors [0.9362259192191963]
  このような量子アルゴリズムは、現在の量子プロセッサのノイズの性質のため、信頼性の高い結果を得るためには、エラー確率が非常に低いシングルビットと2キュービットのゲートを必要とする。 具体的には、変動パラメータの伝搬の相対誤差が量子ハードウェアのノイズの確率とどのようにスケールするかについて上限を与える。
  論文  参考訳（メタデータ） (2023-06-22T17:12:52Z)
• Statistical learning on randomized data to verify quantum state k-designs [0.0]
  純粋状態のランダムアンサンブルは、量子物理学の様々な側面において非常に重要であることが証明されている。 完全にランダムなアンサンブルを生成するのは 実験的に困難ですが 近似は 同様に有用です ランダム性の度合いを検証することは、多体システム上で完全な量子状態トモグラフィーを実行するのと同様に、高価なタスクである可能性がある。
  論文  参考訳（メタデータ） (2023-05-02T14:46:28Z)
• Certified Robustness of Quantum Classifiers against Adversarial Examples through Quantum Noise [68.1992787416233]
  量子ランダムな回転雑音を加えることで、敵攻撃に対する量子分類器のロバスト性を向上できることを示す。 我々は、量子分類器が敵の例に対して防御できるように、証明された堅牢性を導出する。
  論文  参考訳（メタデータ） (2022-11-02T05:17:04Z)
• On Quantum Circuits for Discrete Graphical Models [1.0965065178451106]
  一般的な離散因子モデルから、偏りのない、独立なサンプルを確実に生成できる最初の方法を提案する。 本手法は多体相互作用と互換性があり,その成功確率は変数数に依存しない。 量子シミュレーションおよび実際の量子ハードウェアを用いた実験は,本手法が量子コンピュータ上でサンプリングおよびパラメータ学習を行うことができることを示す。
  論文  参考訳（メタデータ） (2022-06-01T11:03:51Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Quantum Local Differential Privacy and Quantum Statistical Query Model [0.7673339435080445]
  量子統計クエリは、限られた量子資源を持つ学習者の計算能力を研究する理論的枠組みを提供する。 本研究では,局所モデルにおける量子統計クエリと量子微分プライバシーの等価性を確立する。 局所的な差分プライバシーの下での量子多要素計算の課題を考察する。
  論文  参考訳（メタデータ） (2022-03-07T18:38:02Z)
• Quantum Random Number Generation using a Solid-State Single-Photon Source [89.24951036534168]
  量子乱数生成(QRNG)は、量子力学現象の固有乱数性を利用する。 六方晶窒化ホウ素の量子エミッタによるQRNGの実証を行った。 本研究は,オンチップ決定性乱数生成器の製作への新たな道を開くものである。
  論文  参考訳（メタデータ） (2020-01-28T22:47:43Z)

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。