論文の概要: Disentangling Quantum Classifiers: Simplex Edge Mapping for Few-Sample Confidence
- arxiv url: http://arxiv.org/abs/2406.04944v1
- Date: Fri, 7 Jun 2024 13:57:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 13:51:43.645410
- Title: Disentangling Quantum Classifiers: Simplex Edge Mapping for Few-Sample Confidence
- Title(参考訳): 量子分類器の分離:Few-Sample Confidenceのためのシンプルエッジマッピング
- Authors: Nathaniel Helgesen, Michael Felsberg, Jan-Åke Larsson,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 14.154332784970785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning aims to use quantum computers to enhance machine learning, but it is often limited by the required number of samples due to quantum noise and statistical limits on expectation value estimates. While efforts are made to reduce quantum noise, less attention is given to boosting the confidence of Variational Quantum Classifiers (VQCs) and reducing their sampling needs. This paper focuses on multiclass classification, introducing a parameter-free post-processing technique that treats circuit outputs as edges of an n-dimensional simplex, representing independent binary decisions between each pair of classes. We prove and show in our experiments that this method improves few-sample accuracy by a factor of two by disentangling the wire outputs and compelling the VQC to avoid uncertain outputs. We describe this method and provide comparisons of accuracy, confidence, and entanglement, advocating for few-sample accuracy as a primary goal for effective VQCs.
- Abstract(参考訳): 量子機械学習は、量子コンピュータを用いて機械学習を強化することを目的としているが、量子ノイズと予測値推定の統計的制限のために必要とされるサンプル数によって制限されることが多い。
量子ノイズを減らすために努力されているが、変分量子分類器(VQC)の信頼性を高め、サンプリングニーズを減らすことにはあまり注意が払わない。
本稿では,n次元単純体のエッジとして回路出力を扱うパラメータフリーな後処理手法を導入し,各クラス間の独立な二項決定を表現した。
本手法は,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。
本手法を述べるとともに, 精度, 信頼性, 絡み合いの比較を行い, 有効VQCの主目的として, 数サンプルの精度を提唱する。
関連論文リスト
- Quantum Active Learning [3.3202982522589934]
量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。
QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。
我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
論文 参考訳(メタデータ) (2024-05-28T14:39:54Z) - Certainty In, Certainty Out: REVQCs for Quantum Machine Learning [15.908051575681458]
高精度かつ高精度なサンプル推測が可能な統計理論について論じる。
本稿では,このトレーニング手法の有効性を,いくつかの有効な変分量子回路を用いて評価する。
論文 参考訳(メタデータ) (2023-10-16T17:53:30Z) - On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。
このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。
精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
論文 参考訳(メタデータ) (2023-09-05T04:39:34Z) - NoisyQuant: Noisy Bias-Enhanced Post-Training Activation Quantization
for Vision Transformers [53.85087932591237]
NoisyQuantは、視覚変換器のトレーニング後のアクティベーション量子化性能に対する量子化器に依存しない拡張である。
理論的な洞察に基づいて、NoisyQuantは重い尾の活性化分布を積極的に変化させる最初の成功を達成している。
NoisyQuantは、最小の計算オーバーヘッドで視覚変換器のトレーニング後の量子化性能を大幅に改善する。
論文 参考訳(メタデータ) (2022-11-29T10:02:09Z) - Re-examining the quantum volume test: Ideal distributions, compiler
optimizations, confidence intervals, and scalable resource estimations [0.20999222360659606]
量子ボリュームテストにより、設計面、エラーに対する感度、基準通過、および量子コンピュータにおける通過の意味をよりよく理解する。
異なるエラーモデルとコンパイラ最適化オプションの下で予測される重出力確率を推定する効率的なアルゴリズムを提案する。
量子量テストは量子コンピュータの実用的あるいは運用的能力について,特に量子誤り訂正の観点から何を意味するのかを論じる。
論文 参考訳(メタデータ) (2021-10-27T23:05:26Z) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳(メタデータ) (2021-09-05T15:15:07Z) - 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) - Robust quantum classifier with minimal overhead [0.8057006406834467]
カーネル法に基づくバイナリ分類のためのいくつかの量子アルゴリズムが提案されている。
これらのアルゴリズムは期待値を推定することに依存しており、高額な量子データ符号化手順を何度も繰り返す必要がある。
カーネルベースのバイナリ分類は,データの数や寸法に関わらず,単一キュービットで行うことができることを示す。
論文 参考訳(メタデータ) (2021-04-16T14:51:00Z) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳(メタデータ) (2021-02-09T13:48:00Z) - 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 One-class Classification With a Distance-based Classifier [1.316309856358873]
現在の量子ハードウェアの既存のエラーと利用可能な量子ビットの数が少ないため、より少ない量子ビットと少ない演算を使用するソリューションを使う必要がある。
我々は、最小限の量子機械学習モデルと少ない演算と量子ビットからなる量子一級量子コンピュータ(QOCC)に基づく新しい分類器を提案する。
論文 参考訳(メタデータ) (2020-07-31T17:53:00Z)
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。