論文の概要: Quantum Algorithms for Causal Estimands

• arxiv url: http://arxiv.org/abs/2505.12873v1
• Date: Mon, 19 May 2025 08:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.502352
• Title: Quantum Algorithms for Causal Estimands
• Title（参考訳）: 因果推定のための量子アルゴリズム
• Authors: Rishi Goel, Casey R. Myers, Sally Shrapnel,
• Abstract要約: 因果機械学習は、反事実事象の予測結果を推定することによって問題を解決することを目的としている。 これらの因果アルゴリズムが量子エンハンスメントの機会を提供するかどうかについては、オープンな疑問である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern machine learning methods typically fail to adequately capture causal information. Consequently, such models do not handle data distributional shifts, are vulnerable to adversarial examples, and often learn spurious correlations. Causal machine learning, or causal inference, aims to solve these issues by estimating the expected outcome of counterfactual events, using observational and/or interventional data, where causal relationships are typically depicted as directed acyclic graphs. It is an open question as to whether these causal algorithms provide opportunities for quantum enhancement. In this paper we consider a recently developed family of non-parametric, continuous causal estimators and derive quantum algorithms for these tasks. Kernel evaluation and large matrix inversion are critical sub-routines of these classical algorithms, which makes them particularly amenable to a quantum treatment. Unlike other quantum machine learning algorithms, closed form solutions for the estimators exist, negating the need for gradient evaluation and variational learning. We describe several new hybrid quantum-classical algorithms and show that uniform consistency of the estimators is retained. Furthermore, if one is satisfied with a quantum state output that is proportional to the true causal estimand, then these algorithms inherit the exponential complexity advantages given by quantum linear system solvers.
• Abstract（参考訳）: 現代の機械学習の手法は、典型的には因果情報を適切に捉えることができない。 したがって、そのようなモデルはデータの分散シフトを処理せず、敵の例に弱いため、しばしば素早い相関を学習する。 因果機械学習(英: Causal machine learning)または因果推論(英: causal inference)は、因果関係が典型的に非巡回グラフとして表される観察データおよび/または介入データを用いて、反事実事象の期待される結果を推定することによってこれらの問題を解決することを目的としている。 これらの因果アルゴリズムが量子エンハンスメントの機会を提供するかどうかについては、オープンな疑問である。 本稿では、最近開発された非パラメトリック連続因果推定器のファミリーと、これらのタスクに対する量子アルゴリズムの導出について考察する。 カーネル評価と大きな行列逆転はこれらの古典的アルゴリズムの重要なサブルーチンであり、量子処理に特に適している。 他の量子機械学習アルゴリズムとは異なり、推定器の閉形式解が存在し、勾配評価と変分学習の必要性が否定される。 いくつかの新しいハイブリッド量子古典アルゴリズムを記述し、推定器の均一な一貫性が維持されていることを示す。 さらに、真の因果推定値に比例する量子状態出力に満足すると、これらのアルゴリズムは量子線形系解法によって与えられる指数関数的複雑性の利点を継承する。

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)
• 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)
• Relation between quantum advantage in supervised learning and quantum computational advantage [0.0]
  最近の研究は、計算と学習の優位性は一般に等価ではないことを示している。 トレーニングセットを生成するための効率的なアルゴリズムの存在が、そのような条件の基盤として現れている。 その結果、素因数分解問題に基づく学習タスクの量子スピードアップが存在することを証明した。
  論文  参考訳（メタデータ） (2023-04-13T17:34:53Z)
• Robust Dequantization of the Quantum Singular value Transformation and Quantum Machine Learning Algorithms [0.39886149789339326]
  この弱い仮定の下では、ランダム化線形代数の技法がどれだけ多く適用できるかを示す。 また、これらの結果を用いて、多くの量子機械学習アルゴリズムの頑健な復号化を行う。
  論文  参考訳（メタデータ） (2023-04-11T02:09:13Z)
• Experimental violations of Leggett-Garg's inequalities on a quantum computer [77.34726150561087]
  単一および多ビット系におけるLeggett-Garg-Bellの不等式違反を実験的に観察する。 本分析では, 量子プラットフォームの限界に注目し, 上記の相関関数は, 量子ビットの数や回路深さが大きくなるにつれて, 理論的予測から逸脱することを示した。
  論文  参考訳（メタデータ） (2021-09-06T14:35:15Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Quantum Algorithms for Data Representation and Analysis [68.754953879193]
  機械学習におけるデータ表現のための固有problemsの解を高速化する量子手続きを提供する。 これらのサブルーチンのパワーと実用性は、主成分分析、対応解析、潜在意味解析のための入力行列の大きさのサブ線形量子アルゴリズムによって示される。 その結果、入力のサイズに依存しない実行時のパラメータは妥当であり、計算モデル上の誤差が小さいことが示され、競合的な分類性能が得られる。
  論文  参考訳（メタデータ） (2021-04-19T00:41:43Z)
• Quantum-Inspired Algorithms from Randomized Numerical Linear Algebra [53.46106569419296]
  我々は、リコメンダシステムと最小二乗回帰のためのクエリをサポートする古典的な(量子でない)動的データ構造を作成する。 これらの問題に対する以前の量子インスパイアされたアルゴリズムは、レバレッジやリッジレベレッジスコアを偽装してサンプリングしていると我々は主張する。
  論文  参考訳（メタデータ） (2020-11-09T01:13:07Z)
• Towards quantum advantage via topological data analysis [0.0]
  ロイズ,ガーネロン,ザナルディのトポロジカルデータ解析のためのアルゴリズムの背後にある量子アルゴリズムについて検討する。 ランク推定や複雑なネットワーク解析などの問題に対して,多数の新しい量子アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-05-06T06:31:24Z)

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。