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

• arxiv url: http://arxiv.org/abs/2304.03398v3
• Date: Sun, 22 Oct 2023 19:51:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 13:04:07.837176
• 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: 量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
• 参考スコア（独自算出の注目度）: 47.991114317813555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we aim at augmenting the decisions output by quantum models with "error bars" that provide finite-sample coverage guarantees. Quantum models implement implicit probabilistic predictors that produce multiple random decisions for each input through measurement shots. Randomness arises not only from the inherent stochasticity of quantum measurements, but also from quantum gate noise and quantum measurement noise caused by noisy hardware. Furthermore, quantum noise may be correlated across shots and it may present drifts in time. This paper proposes to leverage such randomness to define prediction sets for both classification and regression that provably capture the uncertainty of the model. The approach builds on probabilistic conformal prediction (PCP), while accounting for the unique features of quantum models. Among the key technical innovations, we introduce a new general class of non-conformity scores that address the presence of quantum noise, including possible drifts. Experimental results, using both simulators and current quantum computers, confirm the theoretical calibration guarantees of the proposed framework.
• Abstract（参考訳）: 本研究では,有限サンプルのカバレッジ保証を提供する「エラーバー」を用いて,量子モデルによる決定の強化を目標とする。 量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 ランダム性は量子測定の固有確率性だけでなく、ノイズのハードウェアに起因する量子ゲートノイズや量子測定ノイズからも生じる。 さらに、量子ノイズはショット間で相関し、時間内にドリフトを示すこともある。 本稿では,モデルの不確実性を確実に捉えるための分類と回帰の両方の予測集合を定義するために,そのようなランダム性を活用することを提案する。 このアプローチは確率的共形予測(PCP)に基づいており、量子モデルのユニークな特徴を考慮に入れている。 重要な技術革新の1つとして、量子ノイズの存在に対処し得るドリフトを含む非定型スコアの新たな一般クラスを導入する。 シミュレーションと現在の量子コンピュータの両方を用いた実験により,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。