論文の概要: Understanding Generalization in Quantum Machine Learning with Margins

• arxiv url: http://arxiv.org/abs/2411.06919v1
• Date: Mon, 11 Nov 2024 12:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:03.376410
• Title: Understanding Generalization in Quantum Machine Learning with Margins
• Title（参考訳）: Marginsを用いた量子機械学習における一般化の理解
• Authors: Tak Hur, Daniel K. Park,
• Abstract要約: 本稿では,QMLモデルに対するマージンベース一般化について述べる。 このマージンに基づく計量を量子情報理論に結合することにより、QMLの一般化性能を向上する方法を実証する。
• 参考スコア（独自算出の注目度）: 0.46040036610482665
• License:
• Abstract: Understanding and improving generalization capabilities is crucial for both classical and quantum machine learning (QML). Recent studies have revealed shortcomings in current generalization theories, particularly those relying on uniform bounds, across both classical and quantum settings. In this work, we present a margin-based generalization bound for QML models, providing a more reliable framework for evaluating generalization. Our experimental studies on the quantum phase recognition (QPR) dataset demonstrate that margin-based metrics are strong predictors of generalization performance, outperforming traditional metrics like parameter count. By connecting this margin-based metric to quantum information theory, we demonstrate how to enhance the generalization performance of QML through a classical-quantum hybrid approach when applied to classical data.
• Abstract（参考訳）: 一般化能力の理解と改善は、古典的および量子機械学習(QML)において重要である。 最近の研究は、現在の一般化理論、特に一様境界に依存している理論において、古典的条件と量子的条件の両方で欠点を明らかにしている。 本稿では,QMLモデルに対するマージンベース一般化を提示し,一般化を評価するための信頼性の高いフレームワークを提供する。 量子位相認識(QPR)データセットに関する実験的研究は、マージンベースの指標が一般化性能の強い予測因子であることを示し、パラメータ数などの従来の指標よりも優れていることを示した。 このマージンに基づく計量を量子情報理論に結合することにより、古典的量子ハイブリッド手法を用いてQMLの一般化性能を高める方法を示す。

関連論文リスト

• 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)
• General quantum-classical dynamics as measurement based feedback [0.0]
  このノートは、一般的なハイブリッド量子-古典力学の微分方程式と偏微分方程式を連続測定理論と一般(非マルコフ)フィードバックから導いたものである。
  論文  参考訳（メタデータ） (2024-03-28T18:02:01Z)
• 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)
• Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
  本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。 古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Do Quantum Circuit Born Machines Generalize? [58.720142291102135]
  本稿では,量子生成モデルの積分評価指標としてQCBMの一般化性能を示す文献で最初に紹介する。 そこで本研究では,QCBMがデータセットの再重み付けを効果的に学習し,未確認のサンプルをトレーニングセットよりも高い品質で生成可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-27T17:06:34Z)
• 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)
• Clustering and enhanced classification using a hybrid quantum autoencoder [0.0]
  本稿では,量子状態から情報を抽出する手法を提案する。 この変分QMLアルゴリズムは、それらの重要な識別特性を識別し、古典的に表現することを学ぶ。 HQAモデルの解析と利用は振幅符号化状態の文脈で述べる。
  論文  参考訳（メタデータ） (2021-07-26T06:50:31Z)
• From a quantum theory to a classical one [117.44028458220427]
  量子対古典的交叉を記述するための形式的アプローチを提示し議論する。 この手法は、1982年にL. Yaffeによって、大きな$N$の量子場理論に取り組むために導入された。
  論文  参考訳（メタデータ） (2020-04-01T09:16:38Z)

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。