論文の概要: Can Geometric Quantum Machine Learning Lead to Advantage in Barcode Classification?
- arxiv url: http://arxiv.org/abs/2409.01496v1
- Date: Mon, 2 Sep 2024 23:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 03:35:27.508248
- Title: Can Geometric Quantum Machine Learning Lead to Advantage in Barcode Classification?
- Title(参考訳): 幾何学的量子機械学習はバーコード分類に有効か?
- Authors: Chukwudubem Umeano, Stefano Scali, Oleksandr Kyriienko,
- Abstract要約: 埋め込み対称性を持つ幾何量子機械学習(GQML)アプローチを開発する。
量子ネットワークが従来のネットワークよりも優れていることを示す。
アドバンテージを実現する能力は、データのロード方法に大きく依存するが、量子機械学習の利点と類似した問題を論じる。
- 参考スコア(独自算出の注目度): 16.34646723046073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of distinguishing two vectors (visualized as images or barcodes) and learning if they are related to one another. For this, we develop a geometric quantum machine learning (GQML) approach with embedded symmetries that allows for the classification of similar and dissimilar pairs based on global correlations, and enables generalization from just a few samples. Unlike GQML algorithms developed to date, we propose to focus on symmetry-aware measurement adaptation that outperforms unitary parametrizations. We compare GQML for similarity testing against classical deep neural networks and convolutional neural networks with Siamese architectures. We show that quantum networks largely outperform their classical counterparts. We explain this difference in performance by analyzing correlated distributions used for composing our dataset. We relate the similarity testing with problems that showcase a proven maximal separation between the BQP complexity class and the polynomial hierarchy. While the ability to achieve advantage largely depends on how data are loaded, we discuss how similar problems can benefit from quantum machine learning.
- Abstract(参考訳): 2つのベクトル(画像やバーコードとして視覚化されている)を区別し、それらが互いに関連しているかどうかを学習する問題を考える。
そこで我々は,グローバルな相関関係に基づく類似対と異種対の分類を可能にし,少数のサンプルからの一般化を可能にする,埋め込み対称性を備えた幾何量子機械学習(GQML)アプローチを開発した。
従来開発されたGQMLアルゴリズムとは違って,単元パラメトリゼーションよりも優れた対称性を考慮した計測適応を提案する。
我々は、古典的なディープニューラルネットワークと畳み込みニューラルネットワークとシームズアーキテクチャとの類似性テストについて、GQMLを比較した。
量子ネットワークが従来のネットワークよりも優れていることを示す。
データセットを構成するために使用される相関分布を解析することにより、この性能の違いを説明する。
類似性テストは、BQP複雑性クラスと多項式階層の間の最大分離が証明された問題と関係する。
アドバンテージを実現する能力は、データのロード方法に大きく依存するが、量子機械学習の利点と類似した問題を論じる。
関連論文リスト
- A Comparative Analysis of Adversarial Robustness for Quantum and Classical Machine Learning Models [0.0]
古典モデルと量子モデルの相似性と相違点について検討する。
この結果から,量子古典境界上でのQML回路の古典的近似を「中間基底」と見なすことができた。
論文 参考訳(メタデータ) (2024-04-24T19:20:15Z) - Geometric quantum machine learning of BQP$^A$ protocols and latent graph
classifiers [17.857341127079305]
幾何学量子機械学習(GQML)は、効率的な解法プロトコルを学習するための問題対称性を埋め込むことを目的としている。
このレターでは、ブール関数の学習特性に関するサイモンの問題を考察し、これは教師なし回路分類問題と関係があることを示す。
論文 参考訳(メタデータ) (2024-02-06T10:32:39Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-26T18:23:21Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳(メタデータ) (2023-10-17T01:05:28Z) - Learning Layer-wise Equivariances Automatically using Gradients [66.81218780702125]
畳み込みは等価対称性をニューラルネットワークにエンコードし、より優れた一般化性能をもたらす。
対称性は、ネットワークが表現できる機能、事前に指定する必要、適応できない機能に対して、固定されたハード制約を提供する。
私たちのゴールは、勾配を使ってデータから自動的に学習できるフレキシブル対称性の制約を可能にすることです。
論文 参考訳(メタデータ) (2023-10-09T20:22:43Z) - Approximately Equivariant Quantum Neural Network for $p4m$ Group
Symmetries in Images [30.01160824817612]
本研究では、平面$p4m$対称性に基づく画像分類のための同変量子畳み込みニューラルネットワーク(EquivQCNNs)を提案する。
2次元イジングモデルの位相検出や拡張MNISTデータセットの分類など、さまざまなユースケースでテストされた結果を示す。
論文 参考訳(メタデータ) (2023-10-03T18:01:02Z) - Permutation Equivariant Neural Functionals [92.0667671999604]
この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。
隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。
実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
論文 参考訳(メタデータ) (2023-02-27T18:52:38Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳(メタデータ) (2022-12-29T10:46:40Z) - 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) - Group-Invariant Quantum Machine Learning [0.0]
量子機械学習(QML)モデルは、量子状態に符号化されたデータから学習することを目的としている。
群不変モデルは、データセットに関連する対称性群 $mathfrakG$ の任意の要素の作用の下で不変な出力を生成する。
本稿では,$mathfrakG$-invariantモデルの設計の基盤となる理論的結果について述べる。
論文 参考訳(メタデータ) (2022-05-04T18:04:32Z)
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。