論文の概要: Quantum-Classical Multiple Kernel Learning
- arxiv url: http://arxiv.org/abs/2305.17707v1
- Date: Sun, 28 May 2023 12:29:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 17:05:10.001819
- Title: Quantum-Classical Multiple Kernel Learning
- Title（参考訳）: 量子古典的多重カーネル学習
- Authors: Ara Ghukasyan and Jack S. Baker and Oktay Goktas and Juan Carrasquilla
and Santosh Kumar Radha
- Abstract要約: 機械学習におけるカーネルメソッドは、将来的にそのような改善を実現することができる分野のひとつだ。
小さくてノイズの多い量子コンピュータは、データの類似性のユニークな概念を捉える古典的なパラメトリック量子カーネルを評価することができる。
我々は、MKL(Multiple kernel)の文脈において、古典、量子量子、量子古典およびQCカーネルのペアワイズ組み合わせを考える。
本手法は,MKL設定における各種測定値の性能向上に有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As quantum computers become increasingly practical, so does the prospect of
using quantum computation to improve upon traditional algorithms. Kernel
methods in machine learning is one area where such improvements could be
realized in the near future. Paired with kernel methods like support-vector
machines, small and noisy quantum computers can evaluate classically-hard
quantum kernels that capture unique notions of similarity in data. Taking
inspiration from techniques in classical machine learning, this work
investigates simulated quantum kernels in the context of multiple kernel
learning (MKL). We consider pairwise combinations of several
classical-classical, quantum-quantum, and quantum-classical kernels in an
empirical investigation of their classification performance with support-vector
machines. We also introduce a novel approach, which we call QCC-net
(quantum-classical-convex neural network), for optimizing the weights of base
kernels together with any kernel parameters. We show this approach to be
effective for enhancing various performance metrics in an MKL setting. Looking
at data with an increasing number of features (up to 13 dimensions), we find
parameter training to be important for successfully weighting kernels in some
combinations. Using the optimal kernel weights as indicators of relative
utility, we find growing contributions from trainable quantum kernels in
quantum-classical kernel combinations as the number of features increases. We
observe the opposite trend for combinations containing simpler, non-parametric
quantum kernels.
- Abstract（参考訳）: 量子コンピュータがますます実用的になるにつれて、従来のアルゴリズムを改善するために量子計算を使う可能性も高まる。
機械学習におけるカーネルメソッドは、近い将来にそのような改善が実現可能な分野のひとつだ。
サポートベクターマシンのようなカーネル手法により、小さくてノイズの多い量子コンピュータは古典的に硬い量子カーネルを評価し、データの類似性のユニークな概念を捉えることができる。
古典的機械学習の手法から着想を得て、マルチカーネル学習(mkl)の文脈でシミュレーションされた量子カーネルについて検討する。
本研究では, 古典的, 量子量子的, 量子古典的カーネルのペアワイズ組み合わせについて, 支持ベクトルマシンによる分類性能の実証的研究を行った。
QCC-net (quantum-classical-convex Neural Network) と呼ばれる新しいアプローチを導入し、カーネルパラメータとともにベースカーネルの重みを最適化する。
本手法は,MKL設定における各種性能指標の強化に有効であることを示す。
より多くの機能(最大13次元)を持つデータを見ると、いくつかの組み合わせでカーネルの重み付けに成功するためのパラメータトレーニングが重要であることが分かります。
相対効用指標として最適カーネル重みを用いると、特徴の数が増加するにつれて量子古典的カーネルの組み合わせにおけるトレーニング可能な量子カーネルからの寄与が増加する。
単純な非パラメトリック量子カーネルを含む組合せの逆の傾向を観察する。
関連論文リスト
- Hybrid Quantum-Classical Machine Learning with String Diagrams [49.1574468325115]
本稿では,文字列ダイアグラムの観点からハイブリッドアルゴリズムを記述するための公式なフレームワークを開発する。
弦図の特筆すべき特徴は、量子古典的インタフェースに対応する関手ボックスの使用である。
論文 参考訳（メタデータ） (2024-07-04T06:37:16Z) - Quantum Machine Learning: Quantum Kernel Methods [0.0]
カーネルメソッドは古典的な機械学習において強力で一般的なテクニックである。
量子コンピュータ上でしか効率的に計算できない量子特徴空間を使用することで、量子上の優位性を導出することができる。
データ依存型投影量子カーネルは、古典的カーネルに対して大きな利点をもたらすことが示されている。
論文 参考訳（メタデータ） (2024-05-02T23:45:29Z) - 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) - A Unified Framework for Trace-induced Quantum Kernels [0.0]
量子カーネル法は、特定の機械学習タスクに対して実用的な量子優位性を達成するための有望な候補である。
この研究では、すべてのトレース誘起量子カーネルを共通のフレームワークに結合する。
局所的に投影されたカーネルに基づくモデルが,グローバルな忠実度量子カーネルに匹敵する性能を達成できることを数値的に示す。
論文 参考訳（メタデータ） (2023-11-22T17:50:00Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳（メタデータ） (2022-12-22T16:06:24Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - 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) - Importance of Kernel Bandwidth in Quantum Machine Learning [3.528111249547925]
量子カーネルの帯域幅を最適化することで,ランダムな推定から古典的手法との競合まで,カーネル手法の性能が向上することを示す。
我々は負の結果を再現し、複数の量子カーネルと古典的データセットを用いた広範な数値実験により、カーネルの帯域幅が最適化された場合、代わりに量子ビット数の増加により性能が向上することを示す。
論文 参考訳（メタデータ） (2021-11-09T23:23:23Z) - 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) - Quantum Multiple Kernel Learning [1.9116668545881028]
カーネルメソッドは、その概念的単純さと優れたパフォーマンスのために、機械学習アプリケーションにおいて重要な役割を果たす。
カーネルマシンの表現性を高める1つのアプローチは、複数の個々のカーネルを組み合わせることである。
複数の量子カーネルを組み合わせた量子MKLを提案する。
論文 参考訳（メタデータ） (2020-11-19T07:19:41Z)
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。