論文の概要: QuaCK-TSF: Quantum-Classical Kernelized Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2408.12007v1
- Date: Wed, 21 Aug 2024 21:39:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 17:44:43.097084
- Title: QuaCK-TSF: Quantum-Classical Kernelized Time Series Forecasting
- Title(参考訳): QuaCK-TSF:量子古典化された時系列予測
- Authors: Abdallah Aaraba, Soumaya Cherkaoui, Ola Ahmad, Jean-Frédéric Laprade, Olivier Nahman-Lévesque, Alexis Vieloszynski, Shengrui Wang,
- Abstract要約: 本稿では,このベイズ手法のロバスト性と,量子モデルにおけるカーネル・パースペクティブから得られるニュアンスド・インサイトとを融合した新しいアプローチを提案する。
我々はIsingの相互作用にインスパイアされた量子特徴写像を組み込み、正確な予測に不可欠な時間的依存関係のキャプチャーの有効性を実証する。
- 参考スコア(独自算出の注目度): 7.945302052915863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting in probabilistic time series is a complex endeavor that extends beyond predicting future values to also quantifying the uncertainty inherent in these predictions. Gaussian process regression stands out as a Bayesian machine learning technique adept at addressing this multifaceted challenge. This paper introduces a novel approach that blends the robustness of this Bayesian technique with the nuanced insights provided by the kernel perspective on quantum models, aimed at advancing quantum kernelized probabilistic forecasting. We incorporate a quantum feature map inspired by Ising interactions and demonstrate its effectiveness in capturing the temporal dependencies critical for precise forecasting. The optimization of our model's hyperparameters circumvents the need for computationally intensive gradient descent by employing gradient-free Bayesian optimization. Comparative benchmarks against established classical kernel models are provided, affirming that our quantum-enhanced approach achieves competitive performance.
- Abstract(参考訳): 確率的時系列の予測は、将来の値を予測することを超えて、これらの予測に固有の不確実性を定量化する複雑な試みである。
ガウス過程の回帰は、この多面的課題に対処するのに適したベイズ機械学習技術として際立っている。
本稿では,このベイズ手法のロバスト性と,量子化確率予測の進展を目的とした量子モデル上でのカーネルパースペクティブによる微妙な洞察とを融合した新しいアプローチを提案する。
我々はIsingの相互作用にインスパイアされた量子特徴写像を組み込み、正確な予測に不可欠な時間的依存関係のキャプチャーの有効性を実証する。
モデルハイパーパラメータの最適化は、勾配のないベイズ最適化を用いることで、計算集約的な勾配降下を回避できる。
確立された古典的カーネルモデルとの比較ベンチマークが提供され、我々の量子化アプローチが競合性能を達成することを確認した。
関連論文リスト
- Curve-Fitted QPE: Extending Quantum Phase Estimation Results for a Higher Precision using Classical Post-Processing [0.0]
本稿では、標準QPE回路と曲線フィッティングを用いた古典的後処理からなるハイブリッド量子古典的アプローチを提案する。
提案手法は,最適クラム'er-Rao低境界性能で高精度であり,最大振幅推定アルゴリズムと変分量子固有解器の誤差分解能に匹敵することを示す。
論文 参考訳(メタデータ) (2024-09-24T05:15:35Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳(メタデータ) (2023-10-25T02:37:51Z) - Quantum Speedups in Regret Analysis of Infinite Horizon Average-Reward Markov Decision Processes [32.07657827173262]
我々は,未知のMDPとエージェントのエンゲージメントのための革新的な量子フレームワークを提案する。
平均推定における量子的優位性は、無限の地平線強化学習に対する後悔の保証において指数的な進歩をもたらすことを示す。
論文 参考訳(メタデータ) (2023-10-18T03:17:51Z) - Pseudo-Bayesian Optimization [7.556071491014536]
ブラックボックス最適化の収束を保証するために最小限の要件を課す公理的枠組みについて検討する。
我々は、単純な局所回帰と、不確実性を定量化するために適切な「ランダム化事前」構造を用いることが、収束を保証するだけでなく、常に最先端のベンチマークよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-15T07:55:28Z) - Quantum Next Generation Reservoir Computing: An Efficient Quantum
Algorithm for Forecasting Quantum Dynamics [1.9260081982051918]
NG-RCは、積分可能系とカオス系の両方において、完全多体量子力学を正確に予測できることを示す。
本稿では,ブロック符号化手法を用いて,量子計算の高速化による多体量子力学予測のためのエンドツーエンド量子アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-08-28T00:34:40Z) - Quantum Gaussian Process Regression for Bayesian Optimization [0.0]
本稿では,パラメータ化量子回路に基づく量子カーネルを用いたガウス過程の回帰手法を提案する。
ハードウェア効率の良い特徴写像とグラム行列の注意的な正則化を用いて、得られた量子ガウス過程の分散情報を保存できることを実証する。
論文 参考訳(メタデータ) (2023-04-25T15:38:19Z) - Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。
決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。
本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-11T15:20:54Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:17:36Z) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳(メタデータ) (2021-08-09T18:00:05Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳(メタデータ) (2020-02-20T15:13:27Z)
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。