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
- Quantum machine learning for multiclass classification beyond kernel methods [21.23851138896271]
本稿では,実世界の応用において,量子カーネル法がマルチクラス分類の効率を高めることを示す量子アルゴリズムを提案する。
量子シミュレーションの結果、量子アルゴリズムは6つの現実世界の分類問題に対処する点で古典的よりも優れていたことが判明した。
論文 参考訳（メタデータ） (2024-11-05T08:58:30Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - 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) - 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) - 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) - 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) - Improving Quantum Classifier Performance in NISQ Computers by Voting
Strategy from Ensemble Learning [9.257859576573942]
量子アルゴリズムでは、量子デコヒーレンスと量子ゲートのインプレクションによって大きな誤差率が発生する。
本研究では,アンサンブル量子分類器を複数投票で最適化することを提案する。
論文 参考訳（メタデータ） (2022-10-04T14:59:58Z) - 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) - Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。
我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
論文 参考訳（メタデータ） (2021-03-31T02:41:36Z) - 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) - Quantum Machine Learning for Particle Physics using a Variational
Quantum Classifier [0.0]
本稿では,ネットワークのパラメータを最適化するために,量子勾配降下法と急勾配降下法を組み合わせた新しいハイブリッド型変分量子分類器を提案する。
このアルゴリズムは、古典的ニューラルネットワークや、量子最適化法で訓練された量子機械学習法よりも優れた学習結果が得られる。
論文 参考訳（メタデータ） (2020-10-14T18:05:49Z)
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。