論文の概要: Quantum Kernel Alignment with Stochastic Gradient Descent

• arxiv url: http://arxiv.org/abs/2304.09899v1
• Date: Wed, 19 Apr 2023 18:00:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 15:25:32.755472
• Title: Quantum Kernel Alignment with Stochastic Gradient Descent
• Title（参考訳）: 確率勾配降下による量子カーネルアライメント
• Authors: Gian Gentinetta, David Sutter, Christa Zoufal, Bryce Fuller, Stefan Woerner
• Abstract要約: Pegasosは、支持ベクトルマシン最適化問題を解決するために勾配勾配を用いたアルゴリズムである。 Pegasosを使用することで,サポートベクタマシンをカーネルのアライメントを同時にトレーニングすることが可能であることを示す。 提案手法は, 量子特徴写像を高精度に整列させ, 既存の量子カーネルアライメント技術より優れていることを示す。
• 参考スコア（独自算出の注目度）: 3.5698678013121334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum support vector machines have the potential to achieve a quantum speedup for solving certain machine learning problems. The key challenge for doing so is finding good quantum kernels for a given data set -- a task called kernel alignment. In this paper we study this problem using the Pegasos algorithm, which is an algorithm that uses stochastic gradient descent to solve the support vector machine optimization problem. We extend Pegasos to the quantum case and and demonstrate its effectiveness for kernel alignment. Unlike previous work which performs kernel alignment by training a QSVM within an outer optimization loop, we show that using Pegasos it is possible to simultaneously train the support vector machine and align the kernel. Our experiments show that this approach is capable of aligning quantum feature maps with high accuracy, and outperforms existing quantum kernel alignment techniques. Specifically, we demonstrate that Pegasos is particularly effective for non-stationary data, which is an important challenge in real-world applications.
• Abstract（参考訳）: 量子サポートベクトルマシンは、特定の機械学習問題を解決するための量子スピードアップを達成する可能性がある。 そのための鍵となる課題は、所定のデータセット -- カーネルアライメントと呼ばれるタスクのための優れた量子カーネルを見つけることです。 本稿では,サポートベクトルマシン最適化問題を解くために,確率的勾配降下を用いたアルゴリズムであるペガソスアルゴリズムを用いてこの問題を考察する。 我々はpegasosを量子ケースに拡張し、そのカーネルアライメントの有効性を示す。 外部最適化ループ内でQSVMをトレーニングすることでカーネルアライメントを実行する以前の作業とは異なり、Pegasosを使用することで、サポートベクトルマシンを同時にトレーニングし、カーネルをアライメントすることが可能である。 提案手法は, 量子特徴写像を高精度に整列させ, 既存の量子カーネルアライメント技術より優れていることを示す。 具体的には、ペガソスが非定常データに対して特に有効であることを示し、これは現実世界のアプリケーションにおいて重要な課題である。

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)
• 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)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• Quantum Kernel Machine Learning With Continuous Variables [0.0]
  人気の高いqubitフレームワークは、量子カーネル機械学習に関する最近の研究を支配している。 連続変数(CV)量子コンピューティングプラットフォームに対するこれらの概念を理解するための比較フレームワークは存在しない。
  論文  参考訳（メタデータ） (2024-01-11T03:49:40Z)
• Quantum fidelity kernel with a trapped-ion simulation platform [3.9940425551415597]
  量子カーネル法は、入力情報を量子系のヒルベルト空間に埋め込むことによって計算されたカーネル関数を利用する。 本稿では,量子カーネルを計算し,バイナリ分類タスクの有効性を実証する手段として,トラップイオンシミュレーションプラットフォームを提案する。 その結果,イオントラッププラットフォームは量子カーネル計算に適しており,数量子ビットで高い精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-11-30T17:19:52Z)
• Shuffle-QUDIO: accelerate distributed VQE with trainability enhancement and measurement reduction [77.97248520278123]
  本稿では,量子分散最適化におけるシャッフル演算を局所ハミルトニアンに組み込むためのShuffle-QUDIOを提案する。 QUDIOと比較して、Shuffle-QUDIOは量子プロセッサ間の通信周波数を著しく低減し、同時にトレーニング性を向上させる。
  論文  参考訳（メタデータ） (2022-09-26T06:51:20Z)
• 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)
• The complexity of quantum support vector machines [1.7887848708497243]
  量子サポートベクトルマシンは、カーネル関数を定義するために量子回路を使用する。 二重問題は$O(M4.67/varepsilon2)$量子回路評価で解けることを示す。
  論文  参考訳（メタデータ） (2022-02-28T19:01:17Z)
• Covariant quantum kernels for data with group structure [1.51714450051254]
  グループ構造を持つデータに使用できる量子カーネルのクラスを紹介する。 本手法を,グループにおける多くの本質的な学習課題の構造を具現化したコセット空間上の学習問題に適用する。
  論文  参考訳（メタデータ） (2021-05-07T17:38:58Z)
• Training Quantum Embedding Kernels on Near-Term Quantum Computers [0.08563354084119063]
  量子コンピュータのヒルベルト空間にデータを埋め込むことで構築された量子埋め込みカーネル(QEK)は、特定の量子カーネル技術である。 まず、量子埋め込みカーネルを紹介し、ノイズの多い短期量子コンピュータ上でそれらを実現する際に生じる現実的な問題を解析する。
  論文  参考訳（メタデータ） (2021-05-05T18:41:13Z)
• Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
  量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。 我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-03-31T02:41:36Z)

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。