論文の概要: Towards Efficient Quantum Anomaly Detection: One-Class SVMs using Variable Subsampling and Randomized Measurements

• arxiv url: http://arxiv.org/abs/2312.09174v1
• Date: Thu, 14 Dec 2023 17:42:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-15 20:38:06.249496
• Title: Towards Efficient Quantum Anomaly Detection: One-Class SVMs using Variable Subsampling and Randomized Measurements
• Title（参考訳）: 量子異常検出の効率化に向けて:可変サブサンプリングとランダム化測定を用いた一級SVM
• Authors: Michael K\"olle, Afrae Ahouzi, Pascal Debus, Robert M\"uller, Danielle Schuman, Claudia Linnhoff-Popien
• Abstract要約: 量子コンピューティングは、カーネル計算とモデルの精度を大幅に向上させる。 本稿では,量子カーネルの評価にランダム化計測を利用する方法と,可変サブサンプリングアンサンブル法を提案する。 実験の結果, トレーニング時間と推論時間は最大95%, 25%減少した。 不安定ではあるが、ランダム化測定の平均精度は古典的ラジアル基底関数カーネルのそれを上回っている。
• 参考スコア（独自算出の注目度）: 4.180897432770239
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computing, with its potential to enhance various machine learning tasks, allows significant advancements in kernel calculation and model precision. Utilizing the one-class Support Vector Machine alongside a quantum kernel, known for its classically challenging representational capacity, notable improvements in average precision compared to classical counterparts were observed in previous studies. Conventional calculations of these kernels, however, present a quadratic time complexity concerning data size, posing challenges in practical applications. To mitigate this, we explore two distinct approaches: utilizing randomized measurements to evaluate the quantum kernel and implementing the variable subsampling ensemble method, both targeting linear time complexity. Experimental results demonstrate a substantial reduction in training and inference times by up to 95\% and 25\% respectively, employing these methods. Although unstable, the average precision of randomized measurements discernibly surpasses that of the classical Radial Basis Function kernel, suggesting a promising direction for further research in scalable, efficient quantum computing applications in machine learning.
• Abstract（参考訳）: 量子コンピューティングは、様々な機械学習タスクを強化する可能性を秘めており、カーネル計算とモデルの精度を大幅に向上させる。 古典的に挑戦的な表現能力で知られる量子カーネルと共に1クラスサポートベクターマシンを利用することで、従来の研究と比較して平均精度が著しく向上した。 しかし、これらのカーネルの従来の計算はデータサイズに関する二次時間複雑性を示し、実用上の課題となっている。 これを軽減するために,量子カーネルの評価にランダム化計測を利用する方法と,線形時間複雑性をターゲットとした可変サブサンプリングアンサンブル法を提案する。 実験により, これらの手法を用いて, トレーニング時間と推論時間を最大95%, 推論時間を最大25%削減した。 不安定ではあるが、ランダム化測定の平均精度は古典的ラジアル基底関数カーネルのそれを上回っており、機械学習におけるスケーラブルで効率的な量子コンピューティング応用のさらなる研究の有望な方向を示唆している。

関連論文リスト

• Learning out-of-time-ordered correlators with classical kernel methods [3.6538093004443155]
  XZ-OTOCとOTOCの特定の和を正確に学習できるのかどうかを考察する。 この問題を回帰タスクとして,効率的な数値アルゴリズムを用いてラベル付きデータを生成する。 我々は、様々な標準カーネルマシンを訓練し、最高のカーネルが確実に高い判定係数を達成することを観察する。
  論文  参考訳（メタデータ） (2024-09-03T04:20:24Z)
• 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)
• Efficient Quantum One-Class Support Vector Machines for Anomaly Detection Using Randomized Measurements and Variable Subsampling [5.23043157509344]
  量子一級サポートベクトルマシンは、半教師付き異常検出における量子カーネル法の利点を利用する。 量子ランダム化計測カーネルと可変サブサンプリングが、この問題に対処するための2つの独立した方法として提案された。 現在の作業では、データサイズと機能数の両方で線形時間複雑性を達成するために、これらの2つのメソッドと、回転した機能バッジを組み合わせることに重点を置いている。
  論文  参考訳（メタデータ） (2024-07-30T11:55:52Z)
• Quantum-Assisted Hilbert-Space Gaussian Process Regression [0.0]
  本稿では,ガウス過程回帰のための空間近似に基づく量子アルゴリズムを提案する。 本手法は,古典的基底関数展開と量子コンピューティング技術を組み合わせたものである。
  論文  参考訳（メタデータ） (2024-02-01T12:13:35Z)
• 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)
• Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Faster variational quantum algorithms with quantum kernel-based surrogate models [0.0]
  本稿では,雑音量子プロセッサ上での小型から中規模の変分アルゴリズムを提案する。 提案手法は,計算負荷をこれらのハイブリッドアルゴリズムの古典的成分にシフトさせ,量子プロセッサへのクエリ数を劇的に削減する。
  論文  参考訳（メタデータ） (2022-11-02T14:11:25Z)
• Provably efficient variational generative modeling of quantum many-body systems via quantum-probabilistic information geometry [3.5097082077065003]
  パラメータ化混合状態に対する量子自然勾配降下の一般化を導入する。 また、堅牢な一階近似アルゴリズム、Quantum-Probabilistic Mirror Descentを提供する。 我々のアプローチは、モデル選択における柔軟性を実現するために、それまでのサンプル効率の手法を拡張しました。
  論文  参考訳（メタデータ） (2022-06-09T17:58:15Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Quantum-Inspired Algorithms from Randomized Numerical Linear Algebra [53.46106569419296]
  我々は、リコメンダシステムと最小二乗回帰のためのクエリをサポートする古典的な(量子でない)動的データ構造を作成する。 これらの問題に対する以前の量子インスパイアされたアルゴリズムは、レバレッジやリッジレベレッジスコアを偽装してサンプリングしていると我々は主張する。
  論文  参考訳（メタデータ） (2020-11-09T01:13:07Z)

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。