論文の概要: Classical Verification of Quantum Learning

• arxiv url: http://arxiv.org/abs/2306.04843v2
• Date: Thu, 7 Dec 2023 11:19:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-08 18:50:01.319705
• Title: Classical Verification of Quantum Learning
• Title（参考訳）: 量子学習の古典的検証
• Authors: Matthias C. Caro, Marcel Hinsche, Marios Ioannou, Alexander Nietner, Ryan Sweke
• Abstract要約: 量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
• 参考スコア（独自算出の注目度）: 42.362388367152256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum data access and quantum processing can make certain classically intractable learning tasks feasible. However, quantum capabilities will only be available to a select few in the near future. Thus, reliable schemes that allow classical clients to delegate learning to untrusted quantum servers are required to facilitate widespread access to quantum learning advantages. Building on a recently introduced framework of interactive proof systems for classical machine learning, we develop a framework for classical verification of quantum learning. We exhibit learning problems that a classical learner cannot efficiently solve on their own, but that they can efficiently and reliably solve when interacting with an untrusted quantum prover. Concretely, we consider the problems of agnostic learning parities and Fourier-sparse functions with respect to distributions with uniform input marginal. We propose a new quantum data access model that we call "mixture-of-superpositions" quantum examples, based on which we give efficient quantum learning algorithms for these tasks. Moreover, we prove that agnostic quantum parity and Fourier-sparse learning can be efficiently verified by a classical verifier with only random example or statistical query access. Finally, we showcase two general scenarios in learning and verification in which quantum mixture-of-superpositions examples do not lead to sample complexity improvements over classical data. Our results demonstrate that the potential power of quantum data for learning tasks, while not unlimited, can be utilized by classical agents through interaction with untrusted quantum entities.
• Abstract（参考訳）: 量子データアクセスと量子処理は、古典的に難解な学習タスクを実現することができる。 しかし、量子能力は近い将来、限られた少数の人にしか利用できない。 したがって、古典的クライアントが信頼できない量子サーバーに学習を委譲できるような信頼性の高いスキームは、量子学習の利点への広範なアクセスを促進するために必要である。 最近導入された古典的機械学習のための対話的証明システムのフレームワークに基づいて,量子学習の古典的検証のためのフレームワークを開発した。 我々は,古典学習者が自分自身で効率的に解けない学習問題を示すが,信頼できない量子証明器と対話する際には,効率よく,確実に解ける。 具体的には,一様入力境界を持つ分布に対する非依存的学習パリティとフーリエスパース関数の問題を考察する。 我々は、これらのタスクに対して効率的な量子学習アルゴリズムを提供する量子サンプルを「重ね合わせ混合」と呼ぶ新しい量子データアクセスモデルを提案する。 さらに,ランダムな例や統計的クエリアクセスしか持たない古典的検証器によって,非依存的な量子パリティとフーリエスパース学習を効率よく検証できることを示す。 最後に,学習と検証における2つの一般的なシナリオを紹介し,量子混合重ね合わせ例では古典データよりもサンプル複雑性が向上しないことを示す。 その結果、学習タスクにおける量子データの潜在能力は無限ではないが、信頼できない量子実体との相互作用を通じて古典的エージェントによって活用できることが示された。

関連論文リスト

• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Exponential quantum advantages in learning quantum observables from classical data [1.9662978733004604]
  我々は、古典的なデータから量子オブザーバブルを学習する物理的に関係のあるタスクに対して、量子上の利点を証明している。 我々の結果は、量子多体物理学の領域における機械学習問題に対する量子コンピュータの実用性に光を当てた。
  論文  参考訳（メタデータ） (2024-05-03T11:58:43Z)
• Information-theoretic generalization bounds for learning from quantum data [5.0739329301140845]
  古典量子データに基づくトレーニングにより量子学習を記述するための数学的定式化を提案する。 我々は,古典的および量子的情報理論量の観点から,量子学習者の期待する一般化誤差を証明した。 我々の研究は、量子学習に関する量子情報理論的な視点を統一するための基礎を築いた。
  論文  参考訳（メタデータ） (2023-11-09T17:21:38Z)
• Statistical Complexity of Quantum Learning [32.48879688084909]
  本稿では,情報理論を用いた量子学習の複雑さについて概説する。 データ複雑性、コピー複雑性、モデルの複雑さに重点を置いています。 我々は、教師なし学習と教師なし学習の両方に対処することで、量子学習と古典学習の違いを強調する。
  論文  参考訳（メタデータ） (2023-09-20T20:04:05Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• Classical surrogates for quantum learning models [0.7734726150561088]
  本稿では,訓練された量子学習モデルから効率的に得られる古典的モデルである古典的サロゲートの概念を紹介する。 我々は、よく解析された再アップロードモデルの大規模なクラスが古典的なサロゲートを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-23T14:37:02Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Power of data in quantum machine learning [2.1012068875084964]
  データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。 本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-03T19:00:01Z)

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。