論文の概要: Mitigating exponential concentration in covariant quantum kernels for subspace and real-world data

• arxiv url: http://arxiv.org/abs/2412.07915v1
• Date: Tue, 10 Dec 2024 20:53:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:03:26.894694
• Title: Mitigating exponential concentration in covariant quantum kernels for subspace and real-world data
• Title（参考訳）: 部分空間および実世界のデータに対する共変量子核における指数関数集中の緩和
• Authors: Gabriele Agliardi, Giorgio Cortiana, Anton Dekusar, Kumar Ghosh, Naeimeh Mohseni, Corey O'Meara, Víctor Valls, Kavitha Yogaraj, Sergiy Zhuk,
• Abstract要約: 我々は,ビットフリップ耐性(BFT)と呼ばれる,忠実度カーネルに適した新しい誤り軽減戦略を提案する。 我々のマルチクラス分類は156キュービットまでの古典的なSVCに匹敵する精度に達しており、IBMデバイス上での量子機械学習の最大の実験例となっている。
• 参考スコア（独自算出の注目度）: 1.480144196276276
• License:
• Abstract: Fidelity quantum kernels have shown promise in classification tasks, particularly when a group structure in the data can be identified and exploited through a covariant feature map. In fact, there exist classification problems on which covariant kernels provide a provable advantage, thus establishing a separation between quantum and classical learners. However, their practical application poses two challenges: on one side, the group structure may be unknown and approximate in real-world data, and on the other side, scaling to the `utility' regime (above 100 qubits) is affected by exponential concentration. In this work, we address said challenges by applying fidelity kernels to real-world data with unknown structure, related to the scheduling of a fleet of electric vehicles, and to synthetic data generated from the union of subspaces, which is then close to many relevant real-world datasets. Furthermore, we propose a novel error mitigation strategy specifically tailored for fidelity kernels, called Bit Flip Tolerance (BFT), to alleviate the exponential concentration in our utility-scale experiments. Our multiclass classification reaches accuracies comparable to classical SVCs up to 156 qubits, thus constituting the largest experimental demonstration of quantum machine learning on IBM devices to date. For the real-world data experiments, the effect of the proposed BFT becomes manifest on 40+ qubits, where mitigated accuracies reach 80%, in line with classical, compared to 33% without BFT. Through the union-of-subspace synthetic dataset with 156 qubits, we demonstrate a mitigated accuracy of 80%, compared to 83% of classical models, and 37% of unmitigated quantum, using a test set of limited size.
• Abstract（参考訳）: 忠実な量子カーネルは分類タスクにおいて、特にデータのグループ構造を識別し、共変特徴写像を通じて利用することができる場合に、将来性を示す。 実際、共変カーネルが証明可能な優位性を提供する分類問題が存在し、量子と古典的な学習者の分離が確立される。 しかし、それらの実践的応用は2つの課題を生じている:一方、実世界のデータではグループ構造が未知で近似的であり、他方では「実用性」レジーム(100キュービット以上)へのスケーリングは指数集中の影響を受けている。 本研究では、電気自動車の車両群をスケジューリングする際の未知構造を持つ実世界のデータに忠実カーネルを適用することによる課題と、関連する多くの実世界のデータセットに近接する部分空間の結合から生成された合成データに対処する。 さらに,ビットフリップ耐性 (Bit Flip Tolerance, BFT) と呼ばれる忠実カーネルに特化して, 実用規模実験における指数関数集中を緩和する新しい誤り軽減戦略を提案する。 我々のマルチクラス分類は156キュービットまでの古典的なSVCに匹敵する精度に達しており、IBMデバイス上での量子機械学習の最大の実験例となっている。 実世界のデータ実験では、提案したBFTの効果が40以上の量子ビットに現れる。 156量子ビットの和空間合成データセットを用いて、古典モデルの83%、未緩和量子の37%と比較して80%の補正精度を実証した。

関連論文リスト

• Variational quantum classifiers via a programmable photonic microprocessor [33.96719668786728]
  変分量子アルゴリズム(VQA)は、量子優位性を達成するための実行可能な戦略を提供する。 この研究はシリコンベースの量子フォトニックマイクロプロセッサと古典コンピュータを用いてVQCを実装している。 3つのバイナリ分類タスクのアキュラティはそれぞれ87.5%、92.5%、85.0%であり、現実世界のアイリスデータセットでは98.8%である。
  論文  参考訳（メタデータ） (2024-12-04T02:04:51Z)
• Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network [4.8748194765816955]
  本研究では、自己エンコーダに基づくデータ拡張技術と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。 提案手法は,ランダムフォレスト,SVM,ロジスティック回帰をそれぞれ19%,21%,27%以上,98.56%の分類精度を達成している。
  論文  参考訳（メタデータ） (2024-11-17T10:19:54Z)
• Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping [64.58402571292723]
  我々はFedMRと呼ばれる多様体再構成手法を提案し、局所訓練の特徴空間を校正する。 我々は、FedMRがはるかに高い精度と通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行います。
  論文  参考訳（メタデータ） (2024-05-29T10:56:13Z)
• Ensembles of Quantum Classifiers [0.0]
  量子分類アルゴリズムの実行に有効なアプローチは、アンサンブル法の導入である。 本稿では,二項分類のための量子分類器のアンサンブルの実装と実証評価について述べる。
  論文  参考訳（メタデータ） (2023-11-16T10:27:25Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• 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)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)
• Exact Decomposition of Quantum Channels for Non-IID Quantum Federated Learning [0.0]
  フェデレーション・ラーニング(Federated Learning)とは、データセキュリティとプライバシを保護しながら、複数のクライアントから分散化されたデータで機械学習を実行するタスクである。 クライアントのデータが独立で同一分散されていない場合(IID)、従来のフェデレーションアルゴリズムの性能は低下する。 我々は,グローバルな量子チャネルを局所密度推定器の助けを借りて,各クライアントが訓練したチャネルに正確に分解できることを証明する。
  論文  参考訳（メタデータ） (2022-09-02T00:38:44Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• TCGM: An Information-Theoretic Framework for Semi-Supervised Multi-Modality Learning [35.76792527025377]
  半教師付きマルチモーダル学習のための新しい情報理論アプローチである textbfTotal textbfCorrelation textbfGain textbfMaximization (TCGM) を提案する。 本手法を様々なタスクに適用し,ニュース分類,感情認識,疾患予測など,最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-07-14T03:32:03Z)

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。