論文の概要: The interplay of robustness and generalization in quantum machine learning

• arxiv url: http://arxiv.org/abs/2506.08455v1
• Date: Tue, 10 Jun 2025 05:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.557869
• Title: The interplay of robustness and generalization in quantum machine learning
• Title（参考訳）: 量子機械学習におけるロバストネスと一般化の相互作用
• Authors: Julian Berberich, Tobias Fellner, Christian Holm,
• Abstract要約: 逆の堅牢性と一般化は、量子機械学習に関する最近の文献において、個々に顕著な注目を集めている。 本章では,近年,教師付き学習における関数近似器として提案されている変分量子モデルの相互作用について述べる。 我々は、モデルパラメータに明示的に依存するリプシッツ境界によるロバストネスと一般化の両方を定量化する最近の結果について議論する。
• 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: While adversarial robustness and generalization have individually received substantial attention in the recent literature on quantum machine learning, their interplay is much less explored. In this chapter, we address this interplay for variational quantum models, which were recently proposed as function approximators in supervised learning. We discuss recent results quantifying both robustness and generalization via Lipschitz bounds, which explicitly depend on model parameters. Thus, they give rise to a regularization-based training approach for robust and generalizable quantum models, highlighting the importance of trainable data encoding strategies. The practical implications of the theoretical results are demonstrated with an application to time series analysis.
• Abstract（参考訳）: 量子機械学習に関する最近の文献では、対向的堅牢性や一般化が個々に注目されているが、それらの相互作用は明らかに研究されていない。 本章では,近年,教師付き学習における関数近似器として提案されている変分量子モデルの相互作用について述べる。 我々は、モデルパラメータに明示的に依存するリプシッツ境界によるロバストネスと一般化の両方を定量化する最近の結果について議論する。 これにより、堅牢で一般化可能な量子モデルのための正規化ベースのトレーニングアプローチが生まれ、トレーニング可能なデータ符号化戦略の重要性が強調される。 理論結果の実践的意味を時系列解析に応用して示す。

関連論文リスト

• Data-Dependent Generalization Bounds for Parameterized Quantum Models Under Noise [0.0]
  本研究では,パラメータ化量子機械学習モデルの雑音の影響下での一般化特性について検討した。 本稿では、量子フィッシャー情報行列に接地したデータ依存の一般化について述べる。 量子フィッシャー情報行列固有値によって定義される局所パラメータ近傍と有効次元を統合することで,量子モデルの複雑性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-16T05:10:58Z)
• 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)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Spectral chaos bounds from scaling theory of maximally efficient quantum-dynamical scrambling [44.99833362998488]
  複雑な量子系のエルゴード定常状態への進化に関する重要な予想は、スクランブルとして知られるこの過程が最も効率的であるときに普遍的な特徴を取得することである。 このシナリオでは、完全なスクランブルダイナミクスに沿ったスペクトル相関の正確な自己相似性を具現化して、スペクトル統計量に対する単一パラメータスケーリング理論を開発する。 スケーリング予測は特権プロセスと一致し、他の動的スクランブルシナリオのバウンダリとして機能し、すべての時間スケールで非効率または不完全なスクランブルを定量化できるようにする。
  論文  参考訳（メタデータ） (2023-10-17T15:41:50Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• 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)
• Generalization despite overfitting in quantum machine learning models [0.0]
  量子モデルにおける良性過剰適合のキャラクタリゼーションを提供する。 量子モデルのクラスが如何に類似した特徴を示すかを示す。 我々はこれらの特徴を、局所的な「スパイク」な振る舞いでノイズデータを補間する量子モデルの能力に応じて直感的に説明する。
  論文  参考訳（メタデータ） (2022-09-12T18:08:45Z)
• 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)

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。