論文の概要: Mutual Information Maximizing Quantum Generative Adversarial Network and
Its Applications in Finance
- arxiv url: http://arxiv.org/abs/2309.01363v1
- Date: Mon, 4 Sep 2023 05:18:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 19:54:08.873378
- Title: Mutual Information Maximizing Quantum Generative Adversarial Network and
Its Applications in Finance
- Title（参考訳）: 量子生成型逆ネットワークを最大化する相互情報とその金融への応用
- Authors: Mingyu Lee, Myeongjin Shin, Junseo Lee, Kabgyun Jeong
- Abstract要約: 量子機械学習は、さまざまな領域にわたる古典的な機械学習よりも大きな量子的優位性を提供する。
生成的敵ネットワークは 様々な分野で 有用性があることが認識されている
我々は,MINE(Mutual Information Neural Estor)を量子生成逆数ネットワークの枠組みに取り入れたInfoQGANという新しいアプローチを導入する。
- 参考スコア（独自算出の注目度）: 1.9448402576196024
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the most promising applications in the era of NISQ (Noisy
Intermediate-Scale Quantum) computing is quantum machine learning. Quantum
machine learning offers significant quantum advantages over classical machine
learning across various domains. Specifically, generative adversarial networks
have been recognized for their potential utility in diverse fields such as
image generation, finance, and probability distribution modeling. However,
these networks necessitate solutions for inherent challenges like mode
collapse. In this study, we capitalize on the concept that the estimation of
mutual information between high-dimensional continuous random variables can be
achieved through gradient descent using neural networks. We introduce a novel
approach named InfoQGAN, which employs the Mutual Information Neural Estimator
(MINE) within the framework of quantum generative adversarial networks to
tackle the mode collapse issue. Furthermore, we elaborate on how this approach
can be applied to a financial scenario, specifically addressing the problem of
generating portfolio return distributions through dynamic asset allocation.
This illustrates the potential practical applicability of InfoQGAN in
real-world contexts.
- Abstract（参考訳）: NISQ(Noisy Intermediate-Scale Quantum)コンピューティング時代で最も有望な応用の1つは量子機械学習である。
量子機械学習は、さまざまなドメインにわたる古典的機械学習よりも大きな量子的利点を提供する。
具体的には、画像生成、ファイナンス、確率分布モデリングといった様々な分野における潜在的有用性が認識されている。
しかし、これらのネットワークはモード崩壊のような固有の課題に対する解決策を必要としている。
本研究では,高次元連続確率変数間の相互情報推定は,ニューラルネットワークを用いた勾配降下によって実現できるという概念を生かした。
我々は,モード崩壊問題に対処するために,MINE(Mutual Information Neural Estimator)を量子生成逆数ネットワークの枠組みに取り入れたInfoQGANという新しいアプローチを導入する。
さらに、このアプローチが金融シナリオにどのように適用できるか、特に動的アセットアロケーションを通じてポートフォリオリターン分布を生成する問題に対処できるかを詳しく説明する。
これは、実世界のコンテキストにおけるInfoQGANの実用的な適用可能性を示している。
関連論文リスト
- From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。
本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。
我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
論文 参考訳（メタデータ） (2024-08-12T22:53:14Z) - Problem-informed Graphical Quantum Generative Learning [0.3914676152740143]
確率変数の共役確率分布を学習するための問題インフォームド量子回路Born Machine Ansatzを提案する。
モデルの性能を従来の設計と比較し,問題に依存しない回路よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-05-23T00:29:35Z) - Generative AI-enabled Quantum Computing Networks and Intelligent
Resource Allocation [80.78352800340032]
量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。
量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。
我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
論文 参考訳（メタデータ） (2024-01-13T17:16:38Z) - A General Approach to Dropout in Quantum Neural Networks [1.5771347525430772]
オーバーフィッティング(Overfitting)とは、与えられたモデルがトレーニングデータを過度に学習した場合に発生する現象である。
量子ニューラルネットワークが学習モデルとして登場したことで、オーバーフィッティングが問題になるかもしれない。
論文 参考訳（メタデータ） (2023-10-06T09:39:30Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - A Linear Algebraic Framework for Dynamic Scheduling Over Memory-Equipped
Quantum Networks [2.5168553347063862]
この研究は、量子ネットワークを交換する任意の絡み合いにおけるスケジューリングの問題に対処する。
中間絡み合いリンクの生成を通じて量子メモリを利用する線形代数的フレームワークを導入する。
さらに、マックスウェイトにインスパイアされたポリシーのクラスが提案され、ベンチマークされ、わずかな性能劣化の価格で大幅にコストを削減した。
論文 参考訳（メタデータ） (2023-07-12T08:41:17Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - DQC$^2$O: Distributed Quantum Computing for Collaborative Optimization
in Future Networks [54.03701670739067]
本稿では、将来のネットワークにおける最適化タスクを解決するために、量子コンピュータと量子チャネルを管理するための適応型分散量子コンピューティング手法を提案する。
提案手法に基づいて,スマートグリッド管理やIoT連携,UAV軌道計画など,今後のネットワークにおける協調最適化の潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-09-16T02:44:52Z) - A Quantum Generative Adversarial Network for distributions [0.0]
我々は、完全に接続された量子生成適応ネットワークを開発し、特にボラティリティモデリングに焦点を当てた数学的ファイナンスにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2021-10-04T20:41:04Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
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。