論文の概要: Problem-informed Graphical Quantum Generative Learning

• arxiv url: http://arxiv.org/abs/2405.14072v1
• Date: Thu, 23 May 2024 00:29:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 19:34:41.497451
• Title: Problem-informed Graphical Quantum Generative Learning
• Title（参考訳）: 問題インフォームドなグラフ量子生成学習
• Authors: Bence Bakó, Dániel T. R. Nagy, Péter Hága, Zsófia Kallus, Zoltán Zimborás,
• Abstract要約: 確率変数の共役確率分布を学習するための問題インフォームド量子回路Born Machine Ansatzを提案する。 モデルの性能を従来の設計と比較し,問題に依存しない回路よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.3914676152740143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Leveraging the intrinsic probabilistic nature of quantum systems, generative quantum machine learning (QML) offers the potential to outperform classical learning models. Current generative QML algorithms mostly rely on general-purpose models that, while being very expressive, face several training challenges. A potential way to address these setbacks involves constructing problem-informed models capable of more efficient training on structured problems. In particular, probabilistic graphical models provide a flexible framework for representing structure in generative learning problems and can thus be exploited to incorporate inductive bias in QML algorithms. In this work, we propose a problem-informed quantum circuit Born machine Ansatz for learning the joint probability distribution of random variables, with independence relations efficiently represented by a Markov network (MN). We further demonstrate the applicability of the MN framework in constructing generative learning benchmarks and compare our model's performance to previous designs, showing it outperforms problem-agnostic circuits. Based on a preliminary analysis of trainability, we narrow down the class of MNs to those exhibiting favorable trainability properties. Finally, we discuss the potential of our model to offer quantum advantage in the context of generative learning.
• Abstract（参考訳）: 量子システムの本質的な確率的性質を活用することで、生成量子機械学習(QML)は古典的な学習モデルを上回る可能性を秘めている。 現在の生成QMLアルゴリズムは主に汎用モデルに依存しており、非常に表現力があるが、いくつかの訓練課題に直面している。 これらのセットバックに対処する潜在的な方法は、構造化された問題に対するより効率的なトレーニングが可能な問題情報モデルを構築することである。 特に確率的グラフィカルモデルは、生成的学習問題の構造を表現するフレキシブルなフレームワークを提供するため、QMLアルゴリズムに帰納バイアスを組み込むことができる。 本研究では,確率変数の連立確率分布を効率よくマルコフネットワーク(MN)で表すことができる問題インフォームド量子回路であるBorn Machine Ansatzを提案する。 さらに、生成学習ベンチマークの構築におけるMNフレームワークの適用性を実証し、我々のモデルの性能を以前の設計と比較し、問題に依存しない回路よりも優れていることを示す。 トレーニング性に関する予備的な分析に基づいて,MNのクラスを,良好なトレーニング性を示すクラスに絞り込む。 最後に、生成学習の文脈で量子的優位性を提供するモデルの可能性について論じる。

関連論文リスト

• Characterizing out-of-distribution generalization of neural networks: application to the disordered Su-Schrieffer-Heeger model [38.79241114146971]
  本稿では、量子位相の分類を訓練したニューラルネットワークの予測において、解釈可能性の手法が信頼を高める方法を示す。 特に, 複雑な分類問題において, 分配外分布の一般化を確実にできることを示す。 この研究は,解釈可能性手法の体系的利用が,科学的問題におけるNNの性能をいかに向上させるかを示す一例である。
  論文  参考訳（メタデータ） (2024-06-14T13:24:32Z)
• On the relation between trainability and dequantization of variational quantum learning models [1.7999333451993955]
  変分量子機械学習(QML)のトレーニング容易性と定式化の関係について検討する。 我々はPQCベースのQMLモデルを構築するためのレシピを紹介した。 しかしながら、我々の研究は、より一般的な構造を見つけるための道のりを指している。
  論文  参考訳（メタデータ） (2024-06-11T08:59:20Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Reflection Equivariant Quantum Neural Networks for Enhanced Image Classification [0.7232471205719458]
  我々は、データに固有の対称性を明示的に尊重する新しい機械学習モデル、いわゆる幾何量子機械学習(GQML)を構築した。 これらのネットワークは、複雑な実世界の画像データセットに対する一般的なアンサーゼを一貫して、そして著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-12-01T04:10:26Z)
• 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)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• 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)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)
• GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
  Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。 GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
  論文  参考訳（メタデータ） (2020-06-26T05:47:45Z)
• Eigen component analysis: A quantum theory incorporated machine learning technique to find linearly maximum separable components [0.0]
  量子力学において、状態は複数の固有状態の重ね合わせである。 線形学習モデルである固有成分分析(ECA)を提案する。 ECAは、特徴抽出、分類、辞書、ディープラーニングのためのアルゴリズム設計に量子力学の原理を取り入れている。
  論文  参考訳（メタデータ） (2020-03-23T12:02:02Z)

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。