論文の概要: Benchmarking data encoding methods in Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2505.14295v1
- Date: Tue, 20 May 2025 12:44:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:53.177318
- Title: Benchmarking data encoding methods in Quantum Machine Learning
- Title（参考訳）: 量子機械学習におけるデータ符号化手法のベンチマーク
- Authors: Orlane Zang, Grégoire Barrué, Tony Quertier,
- Abstract要約: データエンコーディングは量子機械学習(QML)において基本的で独特な役割を果たす
データセットをエンコードする適切なエンコーディング方法を選択することが重要である。
現在、異なる量子論理ゲートを用いた様々なエンコーディング方法が存在する。
- 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: Data encoding plays a fundamental and distinctive role in Quantum Machine Learning (QML). While classical approaches process data directly as vectors, QML may require transforming classical data into quantum states through encoding circuits, known as quantum feature maps or quantum embeddings. This step leverages the inherently high-dimensional and non-linear nature of Hilbert space, enabling more efficient data separation in complex feature spaces that may be inaccessible to classical methods. This encoding part significantly affects the performance of the QML model, so it is important to choose the right encoding method for the dataset to be encoded. However, this choice is generally arbitrary, since there is no "universal" rule for knowing which encoding to choose based on a specific set of data. There are currently a variety of encoding methods using different quantum logic gates. We studied the most commonly used types of encoding methods and benchmarked them using different datasets.
- Abstract（参考訳）: データエンコーディングは量子機械学習(QML)において基本的で独特な役割を果たす。
古典的なアプローチはベクトルとしてデータを直接処理するが、QMLは量子特徴写像や量子埋め込みとして知られる符号化回路を通して古典的なデータを量子状態に変換する必要がある。
このステップはヒルベルト空間の本質的に高次元および非線形の性質を活用し、古典的方法に到達できないような複素特徴空間におけるより効率的なデータ分離を可能にする。
この符号化部はQMLモデルの性能に大きな影響を与えるため、符号化すべきデータセットの正しい符号化方法を選択することが重要である。
しかし、この選択は、特定のデータ集合に基づいてどの符号化を選択するかを知るための「普遍的な」ルールがないため、概して任意である。
現在、異なる量子論理ゲートを用いた様々なエンコーディング方法が存在する。
我々は、最もよく使われているエンコーディング手法を研究し、異なるデータセットを用いてそれらをベンチマークした。
関連論文リスト
- An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - Data Encoding for VQC in Qiskit, A Comparison With Novel Hybrid Encoding [0.0]
振幅符号化は必要な量子ビットを減らすため、アングル符号化は状態の自由を良くし、表現的符号化や位相に基づく区別に使用される。
本稿では,Amplitudeエンコーディングが要求されるqubitを削減し,Angleエンコーディングが状態自由度を向上し,表現的エンコーディングや位相に基づく区別に使用されることにより,効率的なqubit使用が保証されることを示す。
論文 参考訳（メタデータ） (2025-03-18T09:36:09Z) - Comparing Quantum Encoding Techniques [0.0]
本研究では、特にハイブリッド量子古典機械学習の文脈における符号化手法について検討する。
本研究は,QuClassi量子ニューラルネットワークアーキテクチャを用いて,MNISTデータセットから3'および6'桁のバイナリ分類を行い,精度,エントロピー,損失,ノイズ耐性などの指標を得る。
論文 参考訳（メタデータ） (2024-10-11T00:14:31Z) - Empirical Power of Quantum Encoding Methods for Binary Classification [0.2118773996967412]
我々は、様々な機械学習メトリクスに対する符号化スキームとその効果に焦点を当てる。
具体的には、実世界の複数のデータセットの量子符号化戦略の違いを示すために、実世界のデータ符号化に焦点を当てる。
論文 参考訳（メタデータ） (2024-08-23T14:34:57Z) - Linearized Relative Positional Encoding [43.898057545832366]
相対的な位置符号化は、位置情報を表すためにバニラや線形変換器で広く使われている。
従来の線形相対的位置符号化手法を正準形式にまとめる。
さらに,一元変換を用いた線形相対的位置符号化アルゴリズムのファミリを提案する。
論文 参考訳（メタデータ） (2023-07-18T13:56:43Z) - PEOPL: Characterizing Privately Encoded Open Datasets with Public Labels [59.66777287810985]
プライバシとユーティリティのための情報理論スコアを導入し、不誠実なユーザの平均パフォーマンスを定量化する。
次に、ランダムなディープニューラルネットワークの使用を動機付ける符号化スキームのファミリーを構築する際のプリミティブを理論的に特徴づける。
論文 参考訳（メタデータ） (2023-03-31T18:03:53Z) - Automated Quantum Memory Compilation with Improved Dynamic Range [0.688204255655161]
アドレス可能な量子読み取り専用メモリ(QROM)回路がデータエンコード状態生成回路として機能することを示す。
本稿では,3つのデータ符号化手法について検討し,その1つとして動的範囲と精度の向上について述べる。
論文 参考訳（メタデータ） (2022-11-17T19:51:47Z) - Automatic and effective discovery of quantum kernels [41.61572387137452]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳（メタデータ） (2022-09-22T16:42:14Z) - Understanding the Mapping of Encode Data Through An Implementation of
Quantum Topological Analysis [0.7106986689736827]
複素ヒルベルト空間に埋め込まれたデータのトポロジーを解析することにより,符号化手法の違いを可視化できることを示す。
提案手法は,異なる量子機械学習モデルにおいて慎重に検討する必要があることを示唆する。
論文 参考訳（メタデータ） (2022-09-21T18:46:08Z) - Transfer Learning in Quantum Parametric Classifiers: An
Information-Theoretic Generalization Analysis [42.275148861039895]
古典的な入力を持つ量子機械学習における重要なステップは、入力を量子状態にマッピングする埋め込み回路の設計である。
本稿では,任意のパラメトリック量子回路を用いて古典-量子埋め込みを行う移動学習環境について検討する。
論文 参考訳（メタデータ） (2022-01-17T09:28:13Z) - 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)
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。