論文の概要: Comparison between Tensor Networks and Variational Quantum Classifier

• arxiv url: http://arxiv.org/abs/2311.15663v1
• Date: Mon, 27 Nov 2023 09:49:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 16:11:11.593421
• Title: Comparison between Tensor Networks and Variational Quantum Classifier
• Title（参考訳）: テンソルネットワークと変分量子分類器の比較
• Authors: Georgios Laskaris, Artem A. Melnikov, Michael R. Perelshtein, Reuben Brasher, Thomas Baeck, Florian Neukart
• Abstract要約: ニューラルネットワーク(TN)と変分量子(VQC)の2つの機械学習手法を比較した。 VQCは、少数の特徴を特徴とするデータを扱う際の速度と精度の面で優位性を示す。 高次元データの場合、TNはVQCを超え、全体の分類精度が向上する。
• 参考スコア（独自算出の注目度）: 1.25828876338076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The primary objective of this paper is to conduct a comparative analysis between two Machine Learning approaches: Tensor Networks (TN) and Variational Quantum Classifiers (VQC). While both approaches share similarities in their representation of the Hilbert space using a logarithmic number of parameters, they diverge in the manifolds they cover. Thus, the aim is to evaluate and compare the expressibility and trainability of these approaches. By conducting this comparison, we can gain insights into potential areas where quantum advantage may be found. Our findings indicate that VQC exhibits advantages in terms of speed and accuracy when dealing with data, characterized by a small number of features. However, for high-dimensional data, TN surpasses VQC in overall classification accuracy. We believe that this disparity is primarily attributed to challenges encountered during the training of quantum circuits. We want to stress that in this article, we focus on only one particular task and do not conduct thorough averaging of the results. Consequently, we recommend considering the results of this article as a unique case without excessive generalization.
• Abstract（参考訳）: 本研究の目的は、テンソルネットワーク(TN)と変分量子分類器(VQC)の2つの機械学習手法の比較分析を行うことである。 どちらのアプローチも、パラメータの対数数を使ってヒルベルト空間の表現において類似性を共有するが、それらは彼らがカバーする多様体に発散する。 したがって、これらのアプローチの表現可能性と訓練可能性を評価し比較することを目的としている。 この比較を行うことで、量子アドバンテージが見つかる可能性のある領域について洞察を得ることができる。 以上の結果から,vqcは少ない特徴量で特徴付けられるデータを扱う際に,速度と精度の点で有利であることが示唆された。 しかし、高次元データの場合、TNはVQCを超える。 この格差は主に、量子回路のトレーニング中に遭遇した課題に起因すると我々は信じている。 この記事では、特定のタスクのみに集中し、結果の徹底的な平均化を行なわないことを強調したい。 したがって,本論文の結果を過度な一般化を伴わないユニークな事例として考えることを推奨する。

関連論文リスト

• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクに焦点を当てた量子カーネル推定(QKE)と量子カーネルトレーニング(QKT)のベンチマーク研究を行う。 ZZFeatureMapとCovariantFeatureMapという2つの量子特徴写像がこの文脈で分析される。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• Disentangling Quantum Classifiers: Simplex Edge Mapping for Few-Sample Confidence [14.154332784970785]
  回路出力をn次元の単純集合のエッジとして扱い、各クラス間の独立な決定を表現する多クラスバイナリ分類手法を提案する。 本研究では,本手法が有線出力をアンタングし,不確実な出力を避けるためにVQCを説得することにより,少ないサンプル精度を2倍に向上することを示す。
  論文  参考訳（メタデータ） (2024-06-07T13:57:22Z)
• Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
  本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。 以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-15T12:38:46Z)
• The role of data embedding in equivariant quantum convolutional neural networks [2.255961793913651]
  等変量子ニューラルネットワーク(EQNN)の性能に及ぼす古典量子埋め込みの影響について検討する。 等価な量子畳み込みニューラルネットワーク(QCNN)から得られた3種類の振幅埋め込みと、EQCNNの分類精度を数値的に比較する。
  論文  参考訳（メタデータ） (2023-12-20T18:25:15Z)
• Quantum Time Series Similarity Measures and Quantum Temporal Kernels [0.0]
  カーネルは、様々な類似性に基づく分類、クラスタリング、回帰アルゴリズムの重要なコンポーネントである。 本研究では、量子隠れマルコフモデル(QHMM)として知られる量子生成モデルが、その基礎となる分布を記述すると仮定する。 量子状態間のトレースやビュール距離などの分岐測度を用いて、シーケンス類似性を評価する。
  論文  参考訳（メタデータ） (2023-12-04T03:33:51Z)
• Pulsar Classification: Comparing Quantum Convolutional Neural Networks and Quantum Support Vector Machines [0.0]
  パルサーのバイナリ分類には、量子カーネル支援支援ベクトルマシン(QSVM)と量子畳み込みニューラルネットワーク(QCNN)が適用される。 QCNNは、トレーニングと予測に要する時間に関してQSVMよりも優れていますが、現在のNISQ時代デバイスが考慮され、比較に含まれるノイズが優先される場合、QSVMが好まれます。
  論文  参考訳（メタデータ） (2023-09-27T11:46:57Z)
• Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
  変動量子回路(VQC)における重み付けの考え方を紹介する。 我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。 以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-06-09T09:42:21Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• 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)
• Post-Training Quantization for Vision Transformer [85.57953732941101]
  本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。 約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
  論文  参考訳（メタデータ） (2021-06-27T06:27:22Z)
• Characterizing the loss landscape of variational quantum circuits [77.34726150561087]
  本稿では,VQCの損失関数のヘシアンを計算する方法を紹介する。 この情報がどのように解釈され、従来のニューラルネットワークと比較されるかを示す。
  論文  参考訳（メタデータ） (2020-08-06T17:48:12Z)

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。