論文の概要: On Quantum Perceptron Learning via Quantum Search

• arxiv url: http://arxiv.org/abs/2503.17308v1
• Date: Fri, 21 Mar 2025 16:57:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:58:53.116387
• Title: On Quantum Perceptron Learning via Quantum Search
• Title（参考訳）: 量子探索による量子パーセプトロン学習について
• Authors: Xiaoyu Sun, Mathieu Roget, Giuseppe Di Molfetta, Hachem Kadri,
• Abstract要約: D$次元超平面の正規分布からサンプリングされる確率は、$Theta(gamma)$の代わりに$Omega(gammaD)$と完全に分類できることが示される。 量子探索アルゴリズムを用いて、知覚論的学習の全体的な複雑さを高める方法を示す。
• 参考スコア（独自算出の注目度）: 5.172382862031037
• License:
• Abstract: With the growing interest in quantum machine learning, the perceptron -- a fundamental building block in traditional machine learning -- has emerged as a valuable model for exploring quantum advantages. Two quantum perceptron algorithms based on Grover's search, were developed in arXiv:1602.04799 to accelerate training and improve statistical efficiency in perceptron learning. This paper points out and corrects a mistake in the proof of Theorem 2 in arXiv:1602.04799. Specifically, we show that the probability of sampling from a normal distribution for a $D$-dimensional hyperplane that perfectly classifies the data scales as $\Omega(\gamma^{D})$ instead of $\Theta({\gamma})$, where $\gamma$ is the margin. We then revisit two well-established linear programming algorithms -- the ellipsoid method and the cutting plane random walk algorithm -- in the context of perceptron learning, and show how quantum search algorithms can be leveraged to enhance the overall complexity. Specifically, both algorithms gain a sub-linear speed-up $O(\sqrt{N})$ in the number of data points $N$ as a result of Grover's algorithm and an additional $O(D^{1.5})$ speed-up is possible for cutting plane random walk algorithm employing quantum walk search.
• Abstract（参考訳）: 量子機械学習への関心が高まり、従来の機械学習の基本的な構成要素であるパーセプトロンが、量子アドバンテージを探求するための貴重なモデルとして登場した。 Groverの探索に基づく2つの量子パーセプトロンアルゴリズムがarXiv:1602.04799で開発された。 本稿では,arXiv:1602.04799における定理2の証明における誤りを指摘する。 具体的には、データスケールを$\Omega(\gamma^{D})$、$\Theta({\gamma})$ではなく$\Omega(\gamma^{D})$と完全に分類する$D$次元超平面の正規分布からサンプリングする確率を示す。 次に、知覚学習の文脈において、よく確立された2つの線形プログラミングアルゴリズム(楕円体法と切断平面ランダムウォーク法)を再検討し、量子探索アルゴリズムをどのように活用して全体的な複雑さを高めるかを示す。 具体的には、Groverのアルゴリズムの結果としてデータポイント数$N$のサブ線形スピードアップ$O(\sqrt{N})$と、追加の$O(D^{1.5})$のスピードアップが、量子ウォーク探索を用いた平面ランダムウォークアルゴリズムの切断に有効である。

関連論文リスト

• Generalized quantum Arimoto-Blahut algorithm and its application to quantum information bottleneck [55.22418739014892]
  量子アリーモト・ブラフトアルゴリズムをRamakrishnanらにより一般化する。 3つの量子系を持つ量子情報ボトルネックに対して,我々のアルゴリズムを適用した。 数値解析により,我々のアルゴリズムはアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-19T00:06:11Z)
• A square-root speedup for finding the smallest eigenvalue [0.6597195879147555]
  エルミート行列の最小固有値を求める量子アルゴリズムについて述べる。 このアルゴリズムは、量子位相推定と量子振幅推定を組み合わせて、2次高速化を実現する。 また、同じランタイムで同様のアルゴリズムを提供し、行列の低エネルギー部分空間に主に置かれる量子状態の準備を可能にします。
  論文  参考訳（メタデータ） (2023-11-07T22:52:56Z)
• On the average-case complexity of learning output distributions of quantum circuits [55.37943886895049]
  統計的クエリモデルでは,ブロックワークランダムな量子回路の出力分布の学習は平均ケースハードであることが示されている。 この学習モデルは、ほとんどの一般的な学習アルゴリズムの抽象的な計算モデルとして広く利用されている。
  論文  参考訳（メタデータ） (2023-05-09T20:53:27Z)
• Learning to predict arbitrary quantum processes [7.69390398476646]
  我々は、未知の量子過程を$n$ qubitsで予測するための効率的な機械学習(ML)アルゴリズムを提案する。 本結果は,複雑な量子力学の出力を,プロセス自体の実行時間よりもはるかに高速に予測するMLモデルの可能性を強調した。
  論文  参考訳（メタデータ） (2022-10-26T17:52:59Z)
• A single $T$-gate makes distribution learning hard [56.045224655472865]
  この研究は、局所量子回路の出力分布の学習可能性に関する広範な評価を提供する。 ハイブリッド量子古典アルゴリズムを含む多種多様な学習アルゴリズムにおいて、深度$d=omega(log(n))$ Clifford回路に関連する生成的モデリング問題さえも困難であることを示す。
  論文  参考訳（メタデータ） (2022-07-07T08:04:15Z)
• Quadratic Quantum Speedup for Perceptron Training [0.0]
  バイナリ分類を行うパーセプトロンは、ニューラルネットワークの基本的な構成要素である。 パーセプトロンのためのオラクルを構築するためのクエリの複雑さは、古典的手法よりも2次的に改善されていることを示す。 我々のアルゴリズムはニューラルネットワークのようなより複雑な機械学習モデルを訓練するために一般化することができる。
  論文  参考訳（メタデータ） (2021-09-10T06:50:57Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Verifying Random Quantum Circuits with Arbitrary Geometry Using Tensor Network States Algorithm [0.0]
  アルゴリズムはSch$ddottexto$dinger-Feynmanアルゴリズムよりも2ドル高速である。 このアルゴリズムは, 量子コンピュータ上での比較的浅い量子回路の検証に最適であることを示す。
  論文  参考訳（メタデータ） (2020-11-05T02:20:56Z)
• Quantum Spectral Clustering [5.414308305392762]
  スペクトルクラスタリングは、非凸構造やネスト構造でデータをクラスタリングするための強力な機械学習アルゴリズムである。 本稿では,エンドツーエンドの量子アルゴリズムのスペクトルクラスタリングを提案し,量子機械学習における多くの研究を拡張した。
  論文  参考訳（メタデータ） (2020-07-01T07:11:42Z)
• Quantum Gram-Schmidt Processes and Their Application to Efficient State Read-out for Quantum Algorithms [87.04438831673063]
  本稿では、生成した状態の古典的ベクトル形式を生成する効率的な読み出しプロトコルを提案する。 我々のプロトコルは、出力状態が入力行列の行空間にある場合に適合する。 我々の技術ツールの1つは、Gram-Schmidt正則手順を実行するための効率的な量子アルゴリズムである。
  論文  参考訳（メタデータ） (2020-04-14T11:05:26Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)

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。