論文の概要: Empirical Power of Quantum Encoding Methods for Binary Classification
- arxiv url: http://arxiv.org/abs/2408.13109v1
- Date: Fri, 23 Aug 2024 14:34:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-26 14:50:54.416614
- Title: Empirical Power of Quantum Encoding Methods for Binary Classification
- Title（参考訳）: バイナリ分類のための量子符号化手法の実証力
- Authors: Gennaro De Luca, Andrew Vlasic, Michael Vitz, Anh Pham,
- Abstract要約: 我々は、様々な機械学習メトリクスに対する符号化スキームとその効果に焦点を当てる。
具体的には、実世界の複数のデータセットの量子符号化戦略の違いを示すために、実世界のデータ符号化に焦点を当てる。
- 参考スコア（独自算出の注目度）: 0.2118773996967412
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning is one of the many potential applications of quantum computing, each of which is hoped to provide some novel computational advantage. However, quantum machine learning applications often fail to outperform classical approaches on real-world classical data. The ability of these models to generalize well from few training data points is typically considered one of the few definitive advantages of this approach. In this work, we will instead focus on encoding schemes and their effects on various machine learning metrics. Specifically, we focus on real-world data encoding to demonstrate differences between quantum encoding strategies for several real-world datasets and the classification model standard, LightGBM. In particular, we apply the following encoding strategies, including three standard approaches and two modified approaches: Angle, Amplitude, IQP, Entangled Angle, and Alternative IQP. As these approaches require either a significant number of qubits or gates to encode larger datasets, we perform feature selection to support the limited computing power of quantum simulators. This feature selection is performed through a quantum annealing enhanced approach that builds on a QUBO formulation of the problem. In this work, we provide a preliminary demonstration that quantum machine learning with the IQP encoding and LightGBM produce statistically equivalent results for a large majority of the assigned learning tasks.
- Abstract（参考訳）: 量子機械学習は、量子コンピューティングの多くの潜在的な応用の1つであり、それぞれに新しい計算上の利点が期待されている。
しかし、量子機械学習アプリケーションは、現実世界の古典的データに対する古典的なアプローチを上回りません。
これらのモデルが少数のトレーニングデータポイントからうまく一般化する能力は、一般的にこのアプローチの数少ない決定的な利点の1つと考えられている。
本研究では、代わりに、様々な機械学習メトリクスに対する符号化スキームとその効果に焦点を当てる。
具体的には、いくつかの実世界のデータセットの量子符号化戦略と分類モデル標準であるLightGBMの違いを示すために、実世界のデータ符号化に焦点を当てる。
特に、アングル、振幅、IQP、エンタングルドアングル、代替IQPの3つの標準アプローチと2つの修正アプローチを含む符号化戦略を適用する。
これらのアプローチは、より大きなデータセットを符号化するためにかなりの数の量子ビットまたはゲートを必要とするため、量子シミュレータの限られた計算能力をサポートするために機能選択を行う。
この特徴の選択は、QUBOの定式化に基づく量子アニール強化アプローチによって行われる。
本研究では、IQPエンコーディングとLightGBMによる量子機械学習が、割り当てられた学習タスクの大部分に対して統計的に等価な結果をもたらすという、予備的なデモンストレーションを提供する。
関連論文リスト
- Comparing Quantum Encoding Techniques [0.0]
本研究では、特にハイブリッド量子古典機械学習の文脈における符号化手法について検討する。
本研究は,QuClassi量子ニューラルネットワークアーキテクチャを用いて,MNISTデータセットから3'および6'桁のバイナリ分類を行い,精度,エントロピー,損失,ノイズ耐性などの指標を得る。
論文 参考訳（メタデータ） (2024-10-11T00:14:31Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - 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) - 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) - Machine learning applications for noisy intermediate-scale quantum
computers [0.0]
NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。
これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。
近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-19T09:26:57Z) - Quantum Neuron with Separable-State Encoding [0.0]
現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。
マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。
シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
論文 参考訳（メタデータ） (2022-02-16T19:26:23Z) - Entangled Datasets for Quantum Machine Learning [0.0]
代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。
NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。
また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
論文 参考訳（メタデータ） (2021-09-08T02:20:13Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
変分量子分類(VQC)は、量子的に有利な方法の一つである。
本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。
QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
論文 参考訳（メタデータ） (2020-05-29T04:43:14Z)
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。