論文の概要: Permutation Invariant Encodings for Quantum Machine Learning with Point
Cloud Data
- arxiv url: http://arxiv.org/abs/2304.03601v1
- Date: Fri, 7 Apr 2023 11:53:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 12:05:08.761217
- Title: Permutation Invariant Encodings for Quantum Machine Learning with Point
Cloud Data
- Title(参考訳): 点クラウドデータを用いた量子機械学習のための置換不変エンコーディング
- Authors: Jamie Heredge, Charles Hill, Lloyd Hollenberg and Martin Sevior
- Abstract要約: 本稿では、より優れた一般化性能を示す置換不変量子符号化法を示す。
点雲に含まれる点数が増加するにつれて、置換不変符号化の精度が向上することを示す。
- 参考スコア(独自算出の注目度): 0.27342795342528275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Computing offers a potentially powerful new method for performing
Machine Learning. However, several Quantum Machine Learning techniques have
been shown to exhibit poor generalisation as the number of qubits increases. We
address this issue by demonstrating a permutation invariant quantum encoding
method, which exhibits superior generalisation performance, and apply it to
point cloud data (three-dimensional images composed of points). Point clouds
naturally contain permutation symmetry with respect to the ordering of their
points, making them a natural candidate for this technique. Our method captures
this symmetry in a quantum encoding that contains an equal quantum
superposition of all permutations and is therefore invariant under point order
permutation. We test this encoding method in numerical simulations using a
Quantum Support Vector Machine to classify point clouds drawn from either
spherical or toroidal geometries. We show that a permutation invariant encoding
improves in accuracy as the number of points contained in the point cloud
increases, while non-invariant quantum encodings decrease in accuracy. This
demonstrates that by implementing permutation invariance into the encoding, the
model exhibits improved generalisation.
- Abstract(参考訳): 量子コンピューティングは、機械学習を実行するための潜在的に強力な新しい方法を提供する。
しかし、量子機械学習技術のいくつかは、量子ビット数の増加に伴って一般化が不十分であることが示されている。
本稿では,より優れた一般化性能を示す変分不変量子符号化法を示すことでこの問題に対処し,点雲データ(点からなる3次元画像)に適用する。
点雲は自然にそれらの点の順序に関して置換対称性を持ち、この技法の自然な候補となる。
我々の方法はこの対称性を全ての置換の等しい量子重ね合わせを含む量子符号化で捉え、したがって点次置換の下で不変である。
この符号化手法を量子支持ベクトルマシンを用いて数値シミュレーションで検証し,球面およびトロイダル測地線から引き出された点群を分類する。
点雲に含まれる点数の増加に伴い、置換不変量エンコーディングは精度が向上し、非不変量子エンコーディングは精度が低下することを示した。
このことは、エンコーディングに置換不変性を実装することで、モデルが一般化を改善することを示した。
関連論文リスト
- Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳(メタデータ) (2024-02-26T09:32:07Z) - Robust Dequantization of the Quantum Singular value Transformation and
Quantum Machine Learning Algorithms [0.0]
この弱い仮定の下では、ランダム化線形代数の技法がどれだけ多く適用できるかを示す。
また、これらの結果を用いて、多くの量子機械学習アルゴリズムの頑健な復号化を行う。
論文 参考訳(メタデータ) (2023-04-11T02:09:13Z) - Quantum Worst-Case to Average-Case Reductions for All Linear Problems [66.65497337069792]
量子アルゴリズムにおける最悪のケースと平均ケースの削減を設計する問題について検討する。
量子アルゴリズムの明示的で効率的な変換は、入力のごく一部でのみ正し、全ての入力で正しくなる。
論文 参考訳(メタデータ) (2022-12-06T22:01:49Z) - Variational Quantum and Quantum-Inspired Clustering [0.0]
本稿では,変動量子回路に基づくクラスタリングのための量子アルゴリズムを提案する。
このアルゴリズムはデータを多くのクラスタに分類することができ、数量子のノイズ中間スケール量子(NISQ)デバイスで容易に実装できる。
論文 参考訳(メタデータ) (2022-06-20T17:02:19Z) - Adiabatic Quantum Graph Matching with Permutation Matrix Constraints [75.88678895180189]
3次元形状と画像のマッチング問題は、NPハードな置換行列制約を持つ二次代入問題(QAP)としてしばしば定式化される。
本稿では,量子ハードウェア上での効率的な実行に適した制約のない問題として,いくつかのQAPの再構成を提案する。
提案アルゴリズムは、将来の量子コンピューティングアーキテクチャにおいて、より高次元にスケールする可能性がある。
論文 参考訳(メタデータ) (2021-07-08T17:59:55Z) - Quantum Error Mitigation Relying on Permutation Filtering [84.66087478797475]
本稿では,既存の置換に基づく手法を特殊なケースとして含む,置換フィルタ(permutation filters)と呼ばれる一般的なフレームワークを提案する。
提案するフィルタ設計アルゴリズムは, 常に大域的最適度に収束し, フィルタが既存の置換法よりも大幅に改善できることを示す。
論文 参考訳(メタデータ) (2021-07-03T16:07:30Z) - Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。
QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-17T12:02:01Z) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳(メタデータ) (2021-02-09T13:48:00Z) - Quantum Machine Learning for Particle Physics using a Variational
Quantum Classifier [0.0]
本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。
このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
論文 参考訳(メタデータ) (2020-10-14T18:05:49Z) - Supervised Learning Using a Dressed Quantum Network with "Super
Compressed Encoding": Algorithm and Quantum-Hardware-Based Implementation [7.599675376503671]
ノイズのある中間量子(NISQ)デバイス上での変分量子機械学習(QML)アルゴリズムの実装には、必要となるキュービット数とマルチキュービットゲートに関連するノイズに関連する問題がある。
本稿では,これらの問題に対処するための量子ネットワークを用いた変分QMLアルゴリズムを提案する。
他の多くのQMLアルゴリズムとは異なり、我々の量子回路は単一量子ビットゲートのみで構成されており、ノイズに対して堅牢である。
論文 参考訳(メタデータ) (2020-07-20T16:29:32Z) - Permutation Matters: Anisotropic Convolutional Layer for Learning on
Point Clouds [145.79324955896845]
本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。
点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
論文 参考訳(メタデータ) (2020-05-27T02:42:29Z)
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。