論文の概要: Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms
- arxiv url: http://arxiv.org/abs/2310.17716v1
- Date: Thu, 26 Oct 2023 18:23:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 16:00:43.674042
- Title: Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms
- Title（参考訳）: 統一化(量子)統計およびパラメータ化(量子)アルゴリズム
- Authors: Alexander Nietner
- Abstract要約: 我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 65.268245109828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Kearns' statistical query (SQ) oracle (STOC'93) lends a unifying perspective
for most classical machine learning algorithms. This ceases to be true in
quantum learning, where many settings do not admit, neither an SQ analog nor a
quantum statistical query (QSQ) analog. In this work, we take inspiration from
Kearns' SQ oracle and Valiant's weak evaluation oracle (TOCT'14) and establish
a unified perspective bridging the statistical and parametrized learning
paradigms in a novel way. We explore the problem of learning from an evaluation
oracle, which provides an estimate of function values, and introduce an
extensive yet intuitive framework that yields unconditional lower bounds for
learning from evaluation queries and characterizes the query complexity for
learning linear function classes. The framework is directly applicable to the
QSQ setting and virtually all algorithms based on loss function optimization.
Our first application is to extend prior results on the learnability of
output distributions of quantum circuits and Clifford unitaries from the SQ to
the (multi-copy) QSQ setting, implying exponential separations between learning
stabilizer states from (multi-copy) QSQs versus from quantum samples. Our
second application is to analyze some popular quantum machine learning (QML)
settings. We gain an intuitive picture of the hardness of many QML tasks which
goes beyond existing methods such as barren plateaus and the statistical
dimension, and contains crucial setting-dependent implications. Our framework
not only unifies the perspective of cost concentration with that of the
statistical dimension in a unified language but exposes their connectedness and
similarity.
- Abstract（参考訳）: Kearns's statistics query (SQ) oracle (STOC'93) は、ほとんどの古典的な機械学習アルゴリズムに統一的な視点を与える。
これは、多くの設定が認めない量子学習において、SQアナログでも量子統計クエリ(QSQ)アナログでも真である。
本研究では,kearns sq oracle と valiant の弱い評価 oracle (toct'14) から着想を得て,統計的およびパラメータ化された学習パラダイムを新たな方法で橋渡しする統一的な視点を確立する。
本稿では,関数値の見積を行う評価オラクルから学習する問題について検討し,評価クエリから学習する非条件の下限を出力する広範かつ直感的なフレームワークを導入し,線形関数クラスを学習する際のクエリ複雑性を特徴付ける。
このフレームワークは、QSQ設定と、損失関数最適化に基づく事実上全てのアルゴリズムに直接適用できる。
我々の最初の応用は、量子回路とクリフォードユニタリの出力分布をsqから(マルチコピー)qsq設定へ学習し、(マルチコピー)qsqから(量子コピー)qsqsから学習安定状態の間で指数関数的な分離を示唆する。
第2のアプリケーションは、一般的な量子機械学習(QML)設定を分析することです。
我々は,多くのQMLタスクの難易度を直感的に把握し,バレンプラトーや統計次元といった既存の手法を超越し,重要な設定依存的含意を含む。
我々のフレームワークは、コスト集中と統一言語における統計次元の視点を統一するだけでなく、それらの連結性と類似性を明らかにする。
関連論文リスト
- Benchmarking Quantum Generative Learning: A Study on Scalability and Noise Resilience using QUARK [0.3624329910445628]
本稿では,量子生成学習アプリケーションのスケーラビリティと耐雑音性について検討する。
厳密なベンチマーク手法を用いて、進捗を追跡し、QMLアルゴリズムのスケーリングにおける課題を特定する。
その結果,QGANはQCBMほど次元の呪いの影響を受けず,QCBMはノイズに耐性があることがわかった。
論文 参考訳（メタデータ） (2024-03-27T15:05:55Z) - Learning unitaries with quantum statistical queries [0.0]
量子統計クエリ(QSQ)からユニタリ演算子を学習するためのいくつかのアルゴリズムを提案する。
本手法は, 1つの量子統計的クエリを用いて, パウリ弦の部分集合上のユニタリのフーリエ質量を推定する新しい手法に基づく。
量子統計的クエリは,Choi-Jamiolkowski状態に対する分離可能な測定値と比較して,特定のタスクに対して指数関数的に大きなサンプル複雑性をもたらすことを示す。
論文 参考訳（メタデータ） (2023-10-03T17:56:07Z) - Variational Quantum Approximate Spectral Clustering for Binary
Clustering Problems [0.7550566004119158]
本稿では,変分量子近似スペクトルクラスタリング(VQASC)アルゴリズムを提案する。
VQASCは、伝統的に古典的な問題で必要とされるシステムサイズ、Nよりも少ないパラメータの最適化を必要とする。
合成と実世界の両方のデータセットから得られた数値結果について述べる。
論文 参考訳（メタデータ） (2023-09-08T17:54:42Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - 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) - End-to-end resource analysis for quantum interior point methods and portfolio optimization [63.4863637315163]
問題入力から問題出力までの完全な量子回路レベルのアルゴリズム記述を提供する。
アルゴリズムの実行に必要な論理量子ビットの数と非クリフォードTゲートの量/深さを報告する。
論文 参考訳（メタデータ） (2022-11-22T18:54:48Z) - Oracle separations of hybrid quantum-classical circuits [68.96380145211093]
量子計算の2つのモデル: CQ_dとQC_d。
CQ_dは、d-d-deepth量子コンピュータのシナリオを何度も捉え、QC_dは測定ベースの量子計算に類似している。
CQ_dとQC_dの類似性にもかかわらず、2つのモデルは本質的にはCQ_d $nsubseteq$QC_dとQC_d $nsubseteq$CQ_dである。
論文 参考訳（メタデータ） (2022-01-06T03:10:53Z) - Quantum agents in the Gym: a variational quantum algorithm for deep
Q-learning [0.0]
本稿では、離散的かつ連続的な状態空間に対するRLタスクを解くために使用できるパラメタライズド量子回路(PQC)のトレーニング手法を提案する。
量子Q学習エージェントのどのアーキテクチャ選択が、特定の種類の環境をうまく解決するのに最も重要であるかを検討する。
論文 参考訳（メタデータ） (2021-03-28T08:57:22Z) - Momentum Q-learning with Finite-Sample Convergence Guarantee [49.38471009162477]
本稿では,有限サンプル保証を用いたモーメントに基づくQ-ラーニングアルゴリズムのクラスを解析する。
線形関数近似とマルコフサンプリングによるMomentumQの収束保証を確立する。
提案したMomentumQが他のモーメントベースのQ-ラーニングアルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2020-07-30T12:27:03Z) - Quantum statistical query learning [6.434862450258459]
本稿では,量子統計学習QSQモデルという学習モデルを提案する。
我々のモデルは、量子PAC学習モデルの制約と見なすことができる。
量子プライベートPACモデルにおいて,QSQモデルの学習性は学習性を意味することを示す。
論文 参考訳（メタデータ） (2020-02-19T15:36:57Z)
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。