論文の概要: Statistical Complexity of Quantum Learning
- arxiv url: http://arxiv.org/abs/2309.11617v1
- Date: Wed, 20 Sep 2023 20:04:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 17:54:41.567188
- Title: Statistical Complexity of Quantum Learning
- Title（参考訳）: 量子学習の統計的複雑性
- Authors: Leonardo Banchi, Jason Luke Pereira, Sharu Theresa Jose, Osvaldo
Simeone
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 35.49167661307331
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have seen significant activity on the problem of using data for
the purpose of learning properties of quantum systems or of processing
classical or quantum data via quantum computing. As in classical learning,
quantum learning problems involve settings in which the mechanism generating
the data is unknown, and the main goal of a learning algorithm is to ensure
satisfactory accuracy levels when only given access to data and, possibly, side
information such as expert knowledge. This article reviews the complexity of
quantum learning using information-theoretic techniques by focusing on data
complexity, copy complexity, and model complexity. Copy complexity arises from
the destructive nature of quantum measurements, which irreversibly alter the
state to be processed, limiting the information that can be extracted about
quantum data. For example, in a quantum system, unlike in classical machine
learning, it is generally not possible to evaluate the training loss
simultaneously on multiple hypotheses using the same quantum data. To make the
paper self-contained and approachable by different research communities, we
provide extensive background material on classical results from statistical
learning theory, as well as on the distinguishability of quantum states.
Throughout, we highlight the differences between quantum and classical learning
by addressing both supervised and unsupervised learning, and we provide
extensive pointers to the literature.
- Abstract（参考訳）: 近年、量子システムの特性の学習や量子コンピューティングによる古典的あるいは量子的データの処理のためにデータを使用するという問題に対して、重要な活動が行われている。
古典的な学習と同様に、量子学習の問題には、データを生成するメカニズムが未知な設定が含まれており、学習アルゴリズムの主目的は、データへのアクセスのみを与えられたときや、専門家の知識のようなサイド情報に対して、十分な精度のレベルを確保することである。
本稿では,データ複雑性,コピー複雑性,モデル複雑性に着目し,情報理論を用いた量子学習の複雑さを概観する。
コピー複雑性は、処理すべき状態が不可逆的に変化し、量子データについて抽出できる情報が制限される量子測定の破壊的な性質から生じる。
例えば、量子システムでは、古典的な機械学習とは異なり、同じ量子データを用いて複数の仮説で同時にトレーニング損失を評価することはできない。
論文を様々な研究コミュニティで自己完結・接近可能にするために,統計学習理論による古典的結果や量子状態の識別性に関する幅広い背景資料を提供する。
全体として,教師付き学習と教師なし学習の両方に対処して,量子学習と古典学習の違いを強調し,文献への広範なポインタを提供する。
関連論文リスト
- Few measurement shots challenge generalization in learning to classify entanglement [0.0]
本稿では,古典的機械学習手法を量子アルゴリズムと組み合わせたハイブリッド量子学習技術に焦点を当てる。
いくつかの設定では、いくつかの測定ショットから生じる不確実性がエラーの主な原因であることを示す。
従来の影をベースとした推定器を導入し,その性能を向上する。
論文 参考訳（メタデータ） (2024-11-10T21:20:21Z) - 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) - 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) - 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) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳（メタデータ） (2023-10-04T17:53:55Z) - Exponential separations between classical and quantum learners [2.209921757303168]
我々は,定義の微妙な違いが,学習者が満足して解決すべき要件や課題を著しく異なるものにする可能性について論じる。
本稿では,データ生成関数の同定に古典的困難を主眼として,2つの新たな学習分離を提案する。
論文 参考訳（メタデータ） (2023-06-28T08:55:56Z) - Classical Verification of Quantum Learning [42.362388367152256]
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。
論文 参考訳（メタデータ） (2023-06-08T00:31:27Z) - 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) - On establishing learning separations between classical and quantum
machine learning with classical data [0.0]
量子学習アルゴリズムが従来の学習アルゴリズムよりもはるかに高速に学習できる学習問題を見つけることの課題について論じる。
証明可能な量子スピードアップを用いて既存の学習問題を研究し、より汎用的で十分な条件の集合を蒸留する。
これらのチェックリストは、学習問題に対する量子スピードアップを証明するためのアプローチの合理化やボトルネックの解明を目的としている。
論文 参考訳（メタデータ） (2022-08-12T16:00:30Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Quantum information spreading in a disordered quantum walk [50.591267188664666]
量子ウォークスを用いて量子情報拡散パターンを探索する量子探索プロトコルを設計する。
我々は、異常や古典的輸送を調査するために、コヒーレントな静的および動的障害に焦点を当てる。
以上の結果から,複雑なネットワークで発生する欠陥や摂動の情報を読み取る装置として,量子ウォーク(Quantum Walk)が考えられる。
論文 参考訳（メタデータ） (2020-10-20T20:03:19Z)
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。