論文の概要: Ensembles of Quantum Classifiers

• arxiv url: http://arxiv.org/abs/2311.09750v1
• Date: Thu, 16 Nov 2023 10:27:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 15:10:55.494313
• Title: Ensembles of Quantum Classifiers
• Title（参考訳）: 量子分類器の集合
• Authors: Emiliano Tolotti, Enrico Zardini, Enrico Blanzieri, Davide Pastorello
• Abstract要約: 量子分類アルゴリズムの実行に有効なアプローチは、アンサンブル法の導入である。 本稿では,二項分類のための量子分類器のアンサンブルの実装と実証評価について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the current era, known as Noisy Intermediate-Scale Quantum (NISQ), encoding large amounts of data in the quantum devices is challenging and the impact of noise significantly affects the quality of the obtained results. A viable approach for the execution of quantum classification algorithms is the introduction of a well-known machine learning paradigm, namely, the ensemble methods. Indeed, the ensembles combine multiple internal classifiers, which are characterized by compact sizes due to the smaller data subsets used for training, to achieve more accurate and robust prediction performance. In this way, it is possible to reduce the qubits requirements with respect to a single larger classifier while achieving comparable or improved performance. In this work, we present an implementation and an extensive empirical evaluation of ensembles of quantum classifiers for binary classification, with the purpose of providing insights into their effectiveness, limitations, and potential for enhancing the performance of basic quantum models. In particular, three classical ensemble methods and three quantum classifiers have been taken into account here. Hence, the scheme that has been implemented (in Python) has a hybrid nature. The results (obtained on real-world datasets) have shown an accuracy advantage for the ensemble techniques with respect to the single quantum classifiers, and also an improvement in robustness. In fact, the ensembles have turned out to be able to mitigate both unsuitable data normalizations and repeated measurement inaccuracies, making quantum classifiers more stable.
• Abstract（参考訳）: ノイズ中間スケール量子(nisq)として知られる現在の時代には、大量のデータを量子デバイスにエンコードすることは困難であり、ノイズの影響は得られた結果の品質に大きく影響する。 量子分類アルゴリズムの実行に有効なアプローチは、よく知られた機械学習パラダイム、すなわちアンサンブルメソッドの導入である。 実際、アンサンブルは複数の内部分類器を組み合わせており、訓練に使用するデータサブセットが小さいため、コンパクトなサイズが特徴で、より正確で堅牢な予測性能を実現する。 このようにして、1つの大きな分類器に関してqubitsの要求を削減し、同等の性能または改善された性能を達成することができる。 本稿では,二元分類のための量子分類器のアンサンブルの実装と,その有効性,限界,および基礎量子モデルの性能向上の可能性について考察する。 特に、3つの古典的アンサンブル法と3つの量子分類器がここで考慮されている。 したがって、(pythonで)実装されたスキームには、ハイブリッドな性質がある。 実世界のデータセットから得られる)結果は、単一の量子分類器に対するアンサンブル技法の精度上の優位性を示し、ロバスト性の向上も示している。 実際、アンサンブルは不適切なデータの正規化と繰り返し測定の不正確さを緩和し、量子分類器をより安定させることが判明した。

関連論文リスト

• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• MORE: Measurement and Correlation Based Variational Quantum Circuit for Multi-classification [10.969833959443495]
  MOREは、測定と相関に基づく変分量子多重分類器の略である。 我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
  論文  参考訳（メタデータ） (2023-07-21T19:33:10Z)
• Ensemble-learning variational shallow-circuit quantum classifiers [4.104704267247209]
  本稿では,ブートストラップ集約と適応的ブースティングという,アンサンブル学習の2つの手法を提案する。 これらのプロトコルは古典的な手書き数字や対称性で保護されたトポロジカルハミルトニアンの量子位相の識別のために例示されている。
  論文  参考訳（メタデータ） (2023-01-30T07:26:35Z)
• 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)
• Certified Robustness of Quantum Classifiers against Adversarial Examples through Quantum Noise [68.1992787416233]
  量子ランダムな回転雑音を加えることで、敵攻撃に対する量子分類器のロバスト性を向上できることを示す。 我々は、量子分類器が敵の例に対して防御できるように、証明された堅牢性を導出する。
  論文  参考訳（メタデータ） (2022-11-02T05:17:04Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
  証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。 我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。 任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
  論文  参考訳（メタデータ） (2022-03-30T02:02:16Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches [0.0]
  バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。 ノイズの多いデータセットは 財務的なデータセットの中にあります 新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
  論文  参考訳（メタデータ） (2021-11-05T10:29:05Z)
• Robust quantum classifier with minimal overhead [0.8057006406834467]
  カーネル法に基づくバイナリ分類のためのいくつかの量子アルゴリズムが提案されている。 これらのアルゴリズムは期待値を推定することに依存しており、高額な量子データ符号化手順を何度も繰り返す必要がある。 カーネルベースのバイナリ分類は,データの数や寸法に関わらず,単一キュービットで行うことができることを示す。
  論文  参考訳（メタデータ） (2021-04-16T14:51:00Z)

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。