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

• QSpec: Speculative Decoding with Complementary Quantization Schemes [37.007621357142725]
  量子化は、推論を加速し、大きな言語モデルのメモリ消費を減らすために、実質的に採用されている。 本稿では、投機的復号化のための2つの相補的量子化スキームをシームレスに統合するQSPECと呼ばれる新しい量子化パラダイムを提案する。 QSPECは、品質上の妥協なしにトークン生成スループットを最大1.80倍向上させる。
  論文  参考訳（メタデータ） (2024-10-15T05:57:51Z)
• 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)
• 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 Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• 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)
• Shot-frugal and Robust quantum kernel classifiers [12.146571029233435]
  量子カーネル法は、機械学習における量子スピードアップの候補である。 分類タスクにおいて,その目的は信頼性の高い分類であり,正確なカーネル評価ではないことを示す。 我々は分類の信頼性を特徴付ける新しい指標を動機付けている。
  論文  参考訳（メタデータ） (2022-10-13T12:48:23Z)
• Deep Non-Crossing Quantiles through the Partial Derivative [0.6299766708197883]
  量子回帰(Quantile Regression)は、単一の条件量子を近似する方法を提供する。 QRロス関数の最小化は、非交差量子化を保証しない。 任意の数の量子を予測するための汎用的なディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-30T15:35:21Z)
• 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)
• Efficient and robust certification of genuine multipartite entanglement in noisy quantum error correction circuits [58.720142291102135]
  実効多部絡み(GME)認証のための条件付き目撃手法を導入する。 線形な二分割数における絡み合いの検出は, 多数の測定値によって線形にスケールし, GMEの認証に十分であることを示す。 本手法は, 距離3の位相的カラーコードとフラグベースの耐故障バージョンにおける安定化作用素の雑音可読化に適用する。
  論文  参考訳（メタデータ） (2020-10-06T18:00:07Z)

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。