論文の概要: Quantum Error Propagation
- arxiv url: http://arxiv.org/abs/2410.05145v1
- Date: Mon, 7 Oct 2024 15:57:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 23:58:57.698296
- Title: Quantum Error Propagation
- Title(参考訳): 量子エラー伝播
- Authors: Eldar Sultanow, Fation Selimllari, Siddhant Dutta, Barry D. Reese, Madjid Tehrani, William J Buchanan,
- Abstract要約: 量子機械学習では、エラーの伝播は2つの理由で制限される。
まず第一に、データはブロッホ球に制限された量子ビットで符号化される。
第二に、量子情報処理はユニタリ演算子の応用によって行われる。
- 参考スコア(独自算出の注目度): 0.32985979395737786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data poisoning attacks on machine learning models aim to manipulate the data used for model training such that the trained model behaves in the attacker's favor. In classical models such as deep neural networks, large chains of dot products do indeed cause errors injected by an attacker to propagate or to accumulate. But what about quantum models? Our hypothesis is that, in quantum machine learning, error propagation is limited for two reasons. First of all, data, which in quantum computing is encoded in terms of qubits which are confined to the Bloch sphere. Second of all, quantum information processing happens via the application of unitary operators which are norm-preserving. Testing this hypothesis, we investigate how extensive error propagation and thus poisoning attacks affect quantum machine learning.
- Abstract(参考訳): 機械学習モデルに対するデータ中毒攻撃は、訓練されたモデルが攻撃者の好意によって振る舞うように、モデルトレーニングに使用されるデータを操作することを目的としている。
ディープニューラルネットワークのような古典的なモデルでは、ドット生成物の大きな連鎖は、攻撃者が注入したエラーを伝播または蓄積させる。
しかし、量子モデルはどうだろう?
我々の仮説は、量子機械学習において、エラーの伝播は2つの理由で制限されているというものである。
まず、量子コンピューティングにおけるデータは、ブロッホ球に制限された量子ビットで符号化される。
第二に、量子情報処理はノルム保存であるユニタリ演算子の応用によって行われる。
この仮説を検証し, 広範囲なエラー伝播と有害な攻撃が量子機械学習に与える影響について検討する。
関連論文リスト
- Training quantum machine learning models on cloud without uploading the data [0.0]
本稿では,入力データを符号化する前にパラメータ化量子回路を動作させる手法を提案する。
これにより、データセット所有者は、量子クラウドプラットフォーム上で機械学習モデルをトレーニングすることができる。
また、後に古典的な計算を用いて大量のデータを効果的に符号化することも可能である。
論文 参考訳(メタデータ) (2024-09-06T20:14:52Z) - 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) - Single-shot quantum machine learning [0.3277163122167433]
我々は、量子学習モデルがほぼ決定論的に予測を生成できる時期を分析する。
量子学習モデルがほぼ決定論的である程度は、埋め込み量子状態の識別可能性によって制約されることを示す。
我々は、量子学習モデルは汎用的な方法で単発ではあり得ず、同時に訓練可能であることを示して結論付けた。
論文 参考訳(メタデータ) (2024-06-19T20:17:18Z) - Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳(メタデータ) (2023-06-06T08:06:43Z) - 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) - Validation tests of GBS quantum computers give evidence for quantum
advantage with a decoherent target [62.997667081978825]
複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。
偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
論文 参考訳(メタデータ) (2022-11-07T12:00:45Z) - Characterizing quantum instruments: from non-demolition measurements to
quantum error correction [48.43720700248091]
量子情報処理では、量子演算はしばしば古典的なデータをもたらす測定とともに処理される。
非単位の動的プロセスは、一般的な量子チャネルの記述が時間進化を記述するのに失敗するシステムで起こりうる。
量子測定は古典的な出力と測定後の量子状態の両方を計測するいわゆる量子機器によって正しく扱われる。
論文 参考訳(メタデータ) (2021-10-13T18:00:13Z) - Hardware-Efficient, Fault-Tolerant Quantum Computation with Rydberg
Atoms [55.41644538483948]
我々は中性原子量子コンピュータにおいてエラー源の完全な特徴付けを行う。
計算部分空間外の状態への原子量子ビットの崩壊に伴う最も重要なエラーに対処する,新しい,明らかに効率的な手法を開発した。
我々のプロトコルは、アルカリ原子とアルカリ原子の両方にエンコードされた量子ビットを持つ最先端の中性原子プラットフォームを用いて、近い将来に実装できる。
論文 参考訳(メタデータ) (2021-05-27T23:29:53Z) - Quantum machine learning models are kernel methods [0.0]
この技術写本は、量子モデルをカーネルメソッドとして体系的に言い換えることでリンクを要約し、形式化し、拡張する。
これは、ほとんどの短期およびフォールトトレラント量子モデルは、一般的な支持ベクトルマシンに置き換えることができることを示している。
特にカーネルベースのトレーニングは、変分回路のトレーニングよりも優れた、あるいは同等に優れた量子モデルを見つけることが保証されている。
論文 参考訳(メタデータ) (2021-01-26T19:00:04Z) - Power of data in quantum machine learning [2.1012068875084964]
データから学習する古典機械によって、古典的に計算が難しい問題を簡単に予測できることが示される。
本稿では,フォールトトレラントシステムにおける学習問題に対して,単純かつ厳密な量子スピードアップを実現する量子モデルを提案する。
論文 参考訳(メタデータ) (2020-11-03T19:00:01Z)
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。