論文の概要: Generalization Error Bound for Quantum Machine Learning in NISQ Era -- A Survey
- arxiv url: http://arxiv.org/abs/2409.07626v1
- Date: Wed, 11 Sep 2024 21:17:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 18:21:43.832542
- Title: Generalization Error Bound for Quantum Machine Learning in NISQ Era -- A Survey
- Title（参考訳）: NISQ時代の量子機械学習における一般化誤差境界
- Authors: Bikram Khanal, Pablo Rivas, Arun Sanjel, Korn Sooksatra, Ernesto Quevedo, Alejandro Rodriguez,
- Abstract要約: 我々は、NISQ時代における教師付き量子機械学習(QML)の最先端の一般化について、システムマッピング研究(SMS)を実施している。
本研究は,既存の計算プラットフォームを,量子ハードウェア,データセット,最適化手法,文献に見られる境界の共通特性で体系的に要約する。
SMSはまた、NISQ時代のQMLの限界と課題を強調し、分野を前進させる今後の研究の方向性について論じている。
- 参考スコア（独自算出の注目度）: 37.69303106863453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the mounting anticipation for the quantum revolution, the success of Quantum Machine Learning (QML) in the Noisy Intermediate-Scale Quantum (NISQ) era hinges on a largely unexplored factor: the generalization error bound, a cornerstone of robust and reliable machine learning models. Current QML research, while exploring novel algorithms and applications extensively, is predominantly situated in the context of noise-free, ideal quantum computers. However, Quantum Circuit (QC) operations in NISQ-era devices are susceptible to various noise sources and errors. In this article, we conduct a Systematic Mapping Study (SMS) to explore the state-of-the-art generalization bound for supervised QML in NISQ-era and analyze the latest practices in the field. Our study systematically summarizes the existing computational platforms with quantum hardware, datasets, optimization techniques, and the common properties of the bounds found in the literature. We further present the performance accuracy of various approaches in classical benchmark datasets like the MNIST and IRIS datasets. The SMS also highlights the limitations and challenges in QML in the NISQ era and discusses future research directions to advance the field. Using a detailed Boolean operators query in five reliable indexers, we collected 544 papers and filtered them to a small set of 37 relevant articles. This filtration was done following the best practice of SMS with well-defined research questions and inclusion and exclusion criteria.
- Abstract（参考訳）: 量子革命への期待が高まっているにもかかわらず、ノイズ中間スケール量子(NISQ)時代の量子機械学習(QML)の成功は、ほとんど未解明の要素である一般化エラーバウンド(英語版)、堅牢で信頼性の高い機械学習モデルの基礎に基づいている。
現在のQML研究は、新しいアルゴリズムや応用を幅広く研究しているが、主にノイズフリーで理想的な量子コンピュータの文脈にある。
しかし、NISQ時代のデバイスにおける量子回路(QC)の動作は、様々なノイズ源や誤差の影響を受けやすい。
本稿では,NISQ-eraにおける教師付きQMLのための最先端の一般化を探索し,その分野における最新の実践を分析するために,システムマッピング研究(SMS)を実施している。
本研究は,既存の計算プラットフォームを,量子ハードウェア,データセット,最適化手法,文献に見られる境界の共通特性で体系的に要約する。
さらに、MNISTやIRISデータセットのような古典的なベンチマークデータセットにおいて、様々なアプローチのパフォーマンス精度を示す。
SMSはまた、NISQ時代のQMLの限界と課題を強調し、分野を前進させる今後の研究の方向性について論じている。
5つの信頼できるインデクサで詳細なBoolean演算子クエリを使用して、544の論文を収集し、37の関連記事の小さなセットにフィルタリングしました。
この濾過は、よく定義された研究の質問と包摂と排除の基準でSMSのベストプラクティスに従って行われた。
関連論文リスト
- Assessing Quantum Extreme Learning Machines for Software Testing in Practice [6.071493448254842]
量子ノイズが3つの産業的および実世界の古典的ソフトウェアテストケーススタディにおいてQELMに与える影響について検討する。
その結果,QELMは量子ノイズの影響が大きく,回帰タスクは250%,分類タスクは50%であった。
誤差軽減技術は耐雑音性を高めることができるが、平均3.0%の性能低下を達成することはできるが、その効果は文脈によって異なる。
論文 参考訳（メタデータ） (2024-10-20T20:17:58Z) - Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
不確実性定量化(英: Uncertainty Quantification、UQ)は、機械学習(ML)アプリケーションにおいて重要なコンポーネントである。
最新のUQベースラインの集合を実装した新しいベンチマークを導入する。
我々は、9つのタスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も有望なアプローチを特定した。
論文 参考訳（メタデータ） (2024-06-21T20:06:31Z) - Benchmarking Quantum Generative Learning: A Study on Scalability and Noise Resilience using QUARK [0.3624329910445628]
本稿では,量子生成学習アプリケーションのスケーラビリティと耐雑音性について検討する。
厳密なベンチマーク手法を用いて、進捗を追跡し、QMLアルゴリズムのスケーリングにおける課題を特定する。
その結果,QGANはQCBMほど次元の呪いの影響を受けず,QCBMはノイズに耐性があることがわかった。
論文 参考訳（メタデータ） (2024-03-27T15:05:55Z) - 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) - A Survey on Quantum Machine Learning: Current Trends, Challenges, Opportunities, and the Road Ahead [5.629434388963902]
量子コンピューティング(QC)は、古典的な計算に比べて複雑な問題を解く効率を改善すると主張している。
QCが機械学習(ML)に統合されると、量子機械学習(QML)システムを生成する。
本稿では,QCの基本概念と,その古典コンピューティングに対する顕著な優位性について,より深く理解することを目的とする。
論文 参考訳（メタデータ） (2023-10-16T11:52:54Z) - Semisupervised Anomaly Detection using Support Vector Regression with
Quantum Kernel [0.0]
異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。
本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。
量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
論文 参考訳（メタデータ） (2023-08-01T15:00:14Z) - 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) - 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) - Generative machine learning with tensor networks: benchmarks on
near-term quantum computers [0.0]
テンソルネットワーク(TN)の観点から,NISQデバイス上での量子支援機械学習(QAML)について検討する。
特に、古典的手法を用いてTNベースのQAMLモデルを設計、最適化するためのフレームワークをレイアウトし、量子ハードウェア上で動作させるためにこれらのモデルをコンパイルする。
本稿では,MPS QAMLモデルの性能を評価するための正確なベンチマーク問題と,標準MNIST手書き桁データセットへの適用について述べる。
論文 参考訳（メタデータ） (2020-10-07T20:33:34Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。