論文の概要: Few measurement shots challenge generalization in learning to classify entanglement

• arxiv url: http://arxiv.org/abs/2411.06600v1
• Date: Sun, 10 Nov 2024 21:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:34.090227
• Title: Few measurement shots challenge generalization in learning to classify entanglement
• Title（参考訳）: 絡み合いを分類する学習における一般化に挑戦する計測ショットはほとんどない
• Authors: Leonardo Banchi, Jason Pereira, Marco Zamboni,
• Abstract要約: 本稿では,古典的機械学習手法を量子アルゴリズムと組み合わせたハイブリッド量子学習技術に焦点を当てる。 いくつかの設定では、いくつかの測定ショットから生じる不確実性がエラーの主な原因であることを示す。 従来の影をベースとした推定器を導入し,その性能を向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The ability to extract general laws from a few known examples depends on the complexity of the problem and on the amount of training data. In the quantum setting, the learner's generalization performance is further challenged by the destructive nature of quantum measurements that, together with the no-cloning theorem, limits the amount of information that can be extracted from each training sample. In this paper we focus on hybrid quantum learning techniques where classical machine-learning methods are paired with quantum algorithms and show that, in some settings, the uncertainty coming from a few measurement shots can be the dominant source of errors. We identify an instance of this possibly general issue by focusing on the classification of maximally entangled vs. separable states, showing that this toy problem becomes challenging for learners unaware of entanglement theory. Finally, we introduce an estimator based on classical shadows that performs better in the big data, few copy regime. Our results show that the naive application of classical machine-learning methods to the quantum setting is problematic, and that a better theoretical foundation of quantum learning is required.
• Abstract（参考訳）: いくつかの既知の例から一般的な法則を抽出する能力は、問題の複雑さとトレーニングデータの量に依存する。 量子設定において、学習者の一般化性能は、量子測定の破壊的な性質によりさらに挑戦され、非閉鎖定理とともに、各トレーニングサンプルから抽出できる情報の量を制限する。 本稿では,古典的機械学習手法を量子アルゴリズムと組み合わせたハイブリッド量子学習技術に注目し,いくつかの設定において,数枚の計測画像から生じる不確実性がエラーの原因となることを示す。 我々は,最大絡み合いと分離可能な状態の分類に焦点をあてて,この可能性の高い問題の事例を特定し,この玩具問題は,絡み合い理論に気付かない学習者にとって困難なものとなることを示す。 最後に,従来の影をベースとした推定器を導入する。 以上の結果から,古典的機械学習手法を量子環境に適用することは困難であり,量子学習の理論的基盤がより優れていることが示唆された。

関連論文リスト

• 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)
• Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
  No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。 我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。 得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。 この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
  論文  参考訳（メタデータ） (2024-05-12T09:05:13Z)
• Information-theoretic generalization bounds for learning from quantum data [5.0739329301140845]
  古典量子データに基づくトレーニングにより量子学習を記述するための数学的定式化を提案する。 我々は,古典的および量子的情報理論量の観点から,量子学習者の期待する一般化誤差を証明した。 我々の研究は、量子学習に関する量子情報理論的な視点を統一するための基礎を築いた。
  論文  参考訳（メタデータ） (2023-11-09T17:21:38Z)
• Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
  期待されている量子コンピュータの応用は、科学と産業にまたがる。 本稿では,量子アルゴリズムの応用分野について検討する。 私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
  論文  参考訳（メタデータ） (2023-10-04T17:53:55Z)
• Statistical Complexity of Quantum Learning [32.48879688084909]
  本稿では,情報理論を用いた量子学習の複雑さについて概説する。 データ複雑性、コピー複雑性、モデルの複雑さに重点を置いています。 我々は、教師なし学習と教師なし学習の両方に対処することで、量子学習と古典学習の違いを強調する。
  論文  参考訳（メタデータ） (2023-09-20T20:04:05Z)
• Exponential separations between classical and quantum learners [0.0]
  我々は,定義の微妙な違いが,学習者が満足して解決すべき要件や課題を著しく異なるものにする可能性について論じる。 本稿では,データ生成関数の同定に古典的困難を主眼として,2つの新たな学習分離を提案する。
  論文  参考訳（メタデータ） (2023-06-28T08:55:56Z)
• 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)
• Learning quantum processes without input control [2.6089354079273512]
  古典的確率変数を入力として、量子状態を出力するプロセスに対して、一般的な統計的学習理論を導入する。 この枠組みは、観測者によって制御されていない天文学的な現象、無秩序なシステム、生物学的プロセスの研究に適用できる。
  論文  参考訳（メタデータ） (2022-11-09T16:34:46Z)
• Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
  量子計算を古典的な結果によって補う手法を提案する。 予測の利点を生かして、新しいタイプの量子測度がもたらされる。 予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
  論文  参考訳（メタデータ） (2022-09-12T15:47:44Z)
• On establishing learning separations between classical and quantum machine learning with classical data [0.0]
  量子学習アルゴリズムが従来の学習アルゴリズムよりもはるかに高速に学習できる学習問題を見つけることの課題について論じる。 証明可能な量子スピードアップを用いて既存の学習問題を研究し、より汎用的で十分な条件の集合を蒸留する。 これらのチェックリストは、学習問題に対する量子スピードアップを証明するためのアプローチの合理化やボトルネックの解明を目的としている。
  論文  参考訳（メタデータ） (2022-08-12T16:00:30Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)

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。