論文の概要: Quantum generative classification with mixed states
- arxiv url: http://arxiv.org/abs/2502.19970v1
- Date: Thu, 27 Feb 2025 10:56:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-28 14:57:03.071146
- Title: Quantum generative classification with mixed states
- Title（参考訳）: 混合状態を用いた量子生成分類
- Authors: Diego H. Useche, Sergio Quiroga-Sandoval, Sebastian L. Molina, Vladimir Vargas-Calderón, Juan E. Ardila-García, Fabio A. González,
- Abstract要約: 量子生成分類(QGC)と呼ばれる量子生成多クラス分類戦略を提案する。
このモデルは変動量子アルゴリズムを用いて、混合量子状態を用いてデータセットの特徴とラベルの結合確率密度関数を推定する。
量子生成分類アルゴリズムは、トレーニングデータの核ヒルベルト空間を再現するガウス混合とみなすことができる。
- 参考スコア（独自算出の注目度）: 3.5212321067549994
- License:
- Abstract: Classification can be performed using either a discriminative or a generative learning approach. Discriminative learning consists of constructing the conditional probability of the outputs given the inputs, while generative learning consists of constructing the joint probability density of the inputs and outputs. Although most classical and quantum methods are discriminative, there are some advantages of the generative learning approach. For instance, it can be applied to unsupervised learning, statistical inference, uncertainty estimation, and synthetic data generation. In this article, we present a quantum generative multiclass classification strategy, called quantum generative classification (QGC). This model uses a variational quantum algorithm to estimate the joint probability density function of features and labels of a data set by means of a mixed quantum state. We also introduce a quantum map called quantum-enhanced Fourier features (QEFF), which leverages quantum superposition to prepare high-dimensional data samples in quantum hardware using a small number of qubits. We show that the quantum generative classification algorithm can be viewed as a Gaussian mixture that reproduces a kernel Hilbert space of the training data. In addition, we developed a hybrid quantum-classical neural network that shows that it is possible to perform generative classification on high-dimensional data sets. The method was tested on various low- and high-dimensional data sets including the 10-class MNIST and Fashion-MNIST data sets, illustrating that the generative classification strategy is competitive against other previous quantum models.
- Abstract（参考訳）: 分類は、識別的または生成的学習アプローチのいずれかを用いて行うことができる。
識別学習は入力が与えられた出力の条件付き確率を構成すること、生成学習は入力と出力の結合確率密度を構成することで構成される。
ほとんどの古典的および量子的手法は差別的であるが、生成学習アプローチにはいくつかの利点がある。
例えば、教師なし学習、統計的推測、不確実性推定、合成データ生成に適用することができる。
本稿では、量子生成分類(QGC)と呼ばれる量子生成多クラス分類戦略を提案する。
このモデルは変動量子アルゴリズムを用いて、混合量子状態を用いてデータセットの特徴とラベルの結合確率密度関数を推定する。
また、量子重畳を利用して量子ハードウェア内の高次元データサンプルを少量の量子ビットを用いて作成する量子強化フーリエ特徴 (QEFF) と呼ばれる量子マップも導入する。
量子生成分類アルゴリズムは、トレーニングデータの核ヒルベルト空間を再現するガウス混合とみなすことができる。
さらに,高次元データセット上で生成的分類を行うことが可能なハイブリッド量子古典ニューラルネットワークを開発した。
この手法は10種類のMNISTデータセットやFashion-MNISTデータセットを含む様々な低次元および高次元データセットでテストされ、生成的分類戦略が他の従来の量子モデルと競合することを示した。
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) - 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) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - A hybrid quantum-classical classifier based on branching multi-scale
entanglement renormalization ansatz [5.548873288570182]
本稿では,ラベル伝搬に基づく量子半教師付き分類器を提案する。
グラフ構築の難しさを考慮し,変分量子ラベル伝搬法(VQLP)を開発した。
本手法では、最適化に必要なパラメータを減らすために、局所パラメータ化量子回路を作成する。
論文 参考訳（メタデータ） (2023-03-14T13:46:45Z) - 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) - Optimisation-free Classification and Density Estimation with Quantum
Circuits [0.0]
量子回路を用いた確率密度推定と分類のための新しい機械学習フレームワークの実装を実証する。
このフレームワークは、トレーニングデータセットまたは単一のデータサンプルを、量子特徴写像を介して物理システムの量子状態にマッピングする。
我々は、我々のフレームワークに量子アドバンテージを活用できる変分量子回路のアプローチについて議論する。
論文 参考訳（メタデータ） (2022-03-28T02:40:24Z) - Generative Quantum Machine Learning [0.0]
この論文の目的は、新しい生成量子機械学習アルゴリズムを開発することである。
本稿では,パラメータ化量子回路で実現可能な量子生成逆数ネットワークと量子ボルツマンマシンの実装を紹介する。
論文 参考訳（メタデータ） (2021-11-24T19:00:21Z) - Quantum Measurement Classification with Qudits [0.0]
提案した量子プロトコルは,確率密度関数を推定し,教師付き学習方式で予測できることを示す。
提案手法は,高次元量子コンピュータにおいて,教師付き分類と密度推定を実現するための有効な手法であることを示す。
論文 参考訳（メタデータ） (2021-07-20T21:54:14Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Quantum State Discrimination for Supervised Classification [0.5772546394254112]
本稿では,量子状態の識別が,機械学習における標準的な分類問題に対処するための有用なツールであることを示す。
従来の研究は、最適量子測定理論が新しい二項分類アルゴリズムを刺激できることを示した。
量子状態の識別に着想を得た任意の多クラス分類モデルを提案する。
論文 参考訳（メタデータ） (2021-04-02T10:22:59Z) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳（メタデータ） (2021-02-09T13:48:00Z)
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。