論文の概要: Variational Quantum AdaBoost with Supervised Learning Guarantee
- arxiv url: http://arxiv.org/abs/2402.02376v1
- Date: Sun, 4 Feb 2024 07:18:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 19:59:17.748755
- Title: Variational Quantum AdaBoost with Supervised Learning Guarantee
- Title(参考訳): 教師付き学習保証付き変分量子AdaBoost
- Authors: Yabo Wang, Xin Wang, Bo Qi and Daoyi Dong
- Abstract要約: 変動量子AdaBoostは、予測においてはるかに高い精度を達成できるだけでなく、ノイズの影響を軽減するのにも有効であることを示す。
我々の研究は、現在のNISQ時代において、適切なアンサンブル法を導入することは、量子機械学習アルゴリズムの性能向上に特に有用であることを示している。
- 参考スコア(独自算出の注目度): 8.163913266445304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although variational quantum algorithms based on parameterized quantum
circuits promise to achieve quantum advantages, in the noisy intermediate-scale
quantum (NISQ) era, their capabilities are greatly constrained due to limited
number of qubits and depth of quantum circuits. Therefore, we may view these
variational quantum algorithms as weak learners in supervised learning.
Ensemble methods are a general technique in machine learning for combining weak
learners to construct a more accurate one. In this paper, we theoretically
prove and numerically verify a learning guarantee for variational quantum
adaptive boosting (AdaBoost). To be specific, we theoretically depict how the
prediction error of variational quantum AdaBoost on binary classification
decreases with the increase of the number of boosting rounds and sample size.
By employing quantum convolutional neural networks, we further demonstrate that
variational quantum AdaBoost can not only achieve much higher accuracy in
prediction, but also help mitigate the impact of noise. Our work indicates that
in the current NISQ era, introducing appropriate ensemble methods is
particularly valuable in improving the performance of quantum machine learning
algorithms.
- Abstract(参考訳): パラメータ化量子回路に基づく変分量子アルゴリズムは量子優位性を実現することを約束するが、ノイズの多い中間スケール量子(NISQ)時代には、量子回路の量子ビット数と深さの制限によりその能力は大幅に制限される。
したがって、これらの変分量子アルゴリズムは教師あり学習における弱い学習者と見なすことができる。
アンサンブルメソッドは、弱い学習者を結合してより正確なものを構築するための機械学習の一般的なテクニックである。
本稿では,変分量子適応促進(AdaBoost)の学習保証を理論的に検証し,数値的に検証する。
具体的には,2値分類における変分量子AdaBoostの予測誤差が,昇降ラウンド数の増加とサンプルサイズの増加に伴って減少することを示す。
さらに,量子畳み込みニューラルネットワークを用いることにより,変動量子アダブーストが予測精度を向上できるだけでなく,ノイズの影響を緩和できることを示す。
我々の研究は、現在のNISQ時代において、適切なアンサンブル法を導入することは、量子機械学習アルゴリズムの性能向上に特に有用であることを示している。
関連論文リスト
- Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳(メタデータ) (2024-01-31T01:02:16Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳(メタデータ) (2023-09-11T18:00:00Z) - 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) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。
特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
論文 参考訳(メタデータ) (2021-12-27T21:15:35Z) - Recent advances for quantum classifiers [2.459525036555352]
本稿では,量子支援ベクトルマシン,量子カーネル法,量子決定木,量子近接アルゴリズムなど,多数の量子分類アルゴリズムについて概説する。
次に、基本的に分類のための変分量子回路である変分量子分類器を紹介する。
論文 参考訳(メタデータ) (2021-08-30T18:00:00Z) - Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。
QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-17T12:02:01Z) - VSQL: Variational Shadow Quantum Learning for Classification [6.90132007891849]
我々は,変分影量子学習と呼ぶ教師付き量子学習のための新しいハイブリッド量子古典フレームワークを提案する。
まず,変分影量子回路を用いて古典的特徴を畳み込みで抽出し,完全連結ニューラルネットワークを用いて分類タスクを完了させる。
本手法は,パラメータ数を著しく削減し,量子回路トレーニングをより容易に行うことができることを示す。
論文 参考訳(メタデータ) (2020-12-15T13:51:01Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳(メタデータ) (2020-10-20T12:06:27Z) - Reinforcement Learning with Quantum Variational Circuits [0.0]
この研究は、強化学習問題を促進する量子コンピューティングの可能性を探るものである。
具体的には、量子機械学習の一形態である量子変分回路の使用について検討する。
その結果、ハイブリッドおよび純粋量子変動回路は、より小さいパラメータ空間で強化学習タスクを解くことができることを示した。
論文 参考訳(メタデータ) (2020-08-15T00:13:01Z) - Policy Gradient based Quantum Approximate Optimization Algorithm [2.5614220901453333]
本稿では,QAOAの変動パラメータをノイズキャンバス方式で最適化するために,政策段階に基づく強化学習アルゴリズムが適していることを示す。
単一および多ビット系における量子状態伝達問題に対するアルゴリズムの性能解析を行う。
論文 参考訳(メタデータ) (2020-02-04T00:46:51Z)
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。