論文の概要: Online calibration scheme for training restricted Boltzmann machines with quantum annealing

• arxiv url: http://arxiv.org/abs/2307.09785v1
• Date: Wed, 19 Jul 2023 07:07:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 15:05:00.203483
• Title: Online calibration scheme for training restricted Boltzmann machines with quantum annealing
• Title（参考訳）: 量子アニールを用いた制限ボルツマンマシンのオンライン校正法
• Authors: Takeru Goto and Masayuki Ohzeki
• Abstract要約: そこで本研究では,D波量子アニーラーの内部パラメータを校正し,よく近似されたサンプルを得る手法を提案する。 得られたサンプルのKullback-Leibler分散を古典的なギブズサンプリングと比較することにより,提案手法の性能を評価する。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a scheme for calibrating the D-Wave quantum annealer's internal parameters to obtain well-approximated samples to train a restricted Boltzmann machine (RBM). Empirically, samples from the quantum annealer obey the Boltzmann distribution, making them suitable for RBM training. However, it is hard to obtain appropriate samples without compensation. Existing research often estimates internal parameters, such as the inverse temperature, for compensation. Our scheme utilizes samples for RBM training to estimate the internal parameters, enabling it to train a model simultaneously. Furthermore, we consider additional parameters beyond inverse temperature and demonstrate that they contribute to improving sample quality. We evaluate the performance of our scheme by comparing the Kullback-Leibler divergence of the obtained samples with classical Gibbs sampling. Our results indicate that our proposed scheme demonstrates performance on par with Gibbs sampling. In addition, the training results with our estimation scheme are better than those of the Contrastive Divergence algorithm, known as a standard training algorithm for RBM.
• Abstract（参考訳）: 制限ボルツマン機械(rbm)を訓練するために, d波量子アニーラーの内部パラメータを校正して近似サンプルを得る手法を提案する。 経験的に、量子アニールラーからのサンプルはボルツマン分布に従っており、RBM訓練に適している。 しかし、補償なしで適切なサンプルを得るのは難しい。 既存の研究はしばしば補償のために逆温度などの内部パラメータを推定する。 提案手法では, RBM トレーニングのサンプルを用いて内部パラメータを推定し, 同時にモデルを訓練する。 さらに, 逆温度以外のパラメータも考慮し, 試料品質の向上に寄与することを示す。 得られたサンプルのKullback-Leibler分散を古典的なギブズサンプリングと比較することにより,提案手法の性能を評価する。 提案手法は,ギブスサンプリングと同等の性能を示すことを示す。 さらに,RBMの標準トレーニングアルゴリズムとして知られるContrastive Divergenceアルゴリズムよりも,提案手法によるトレーニング結果が優れている。

関連論文リスト

• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Certainty In, Certainty Out: REVQCs for Quantum Machine Learning [15.908051575681458]
  高精度かつ高精度なサンプル推測が可能な統計理論について論じる。 本稿では,このトレーニング手法の有効性を,いくつかの有効な変分量子回路を用いて評価する。
  論文  参考訳（メタデータ） (2023-10-16T17:53:30Z)
• Boltzmann sampling with quantum annealers via fast Stein correction [1.37736442859694]
  試料重量を計算するために高速で近似的な手法が開発され、D-Wave量子アニールによって生成されたサンプルを補正するために使用される。 ベンチマーク問題では、熱平均計算の残差が大幅に減少することが観察された。
  論文  参考訳（メタデータ） (2023-09-08T04:47:10Z)
• Entropy-based Training Methods for Scalable Neural Implicit Sampler [15.978655106034113]
  非正規化対象分布からの効率的なサンプリングは、科学計算と機械学習の基本的な問題である。 本稿では,これらの制約を克服する,効率的でスケーラブルなニューラル暗黙サンプリング手法を提案する。 提案手法では, 提案手法を応用して, 提案手法を用いることにより, 精度の低い大量のサンプルを生成できる。
  論文  参考訳（メタデータ） (2023-06-08T05:56:05Z)
• A hybrid quantum-classical approach for inference on restricted Boltzmann machines [1.0928470926399563]
  ボルツマンマシンは多くの実世界のアプリケーションを持つ強力な機械学習モデルである。 ボルツマンマシンの統計的推測はその後部分布からサンプリングすることで行うことができる。 量子コンピュータは、いくつかの非自明な問題を効率的に解くことを約束している。
  論文  参考訳（メタデータ） (2023-03-31T11:10:31Z)
• Hard Sample Matters a Lot in Zero-Shot Quantization [52.32914196337281]
  ゼロショット量子化(ZSQ)は、完全精度モデルのトレーニング用データがアクセスできない場合に、ディープニューラルネットワークの圧縮と加速を約束する。 ZSQでは、合成サンプルを用いてネットワーク量子化を行うため、量子化モデルの性能は合成サンプルの品質に大きく依存する。 この問題に対処するために,HArdサンプル合成訓練(HAST)を提案する。
  論文  参考訳（メタデータ） (2023-03-24T06:22:57Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Learning a Restricted Boltzmann Machine using biased Monte Carlo sampling [0.6554326244334867]
  マルコフ・チェイン・モンテカルロによる平衡分布のサンプリングはバイアスサンプリング法により劇的に加速できることを示す。 また、このサンプリング手法を用いて、トレーニング中のログライクな勾配の計算を改善することも示している。
  論文  参考訳（メタデータ） (2022-06-02T21:29:01Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
  Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。 具体的には、対照的な学習方法でネットワークをトレーニングする。 各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
  論文  参考訳（メタデータ） (2021-03-24T07:26:07Z)

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。