論文の概要: QSEA: Quantum Self-supervised Learning with Entanglement Augmentation
- arxiv url: http://arxiv.org/abs/2506.10306v1
- Date: Thu, 12 Jun 2025 02:38:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.539816
- Title: QSEA: Quantum Self-supervised Learning with Entanglement Augmentation
- Title（参考訳）: QSEA:エンタングルメント強化による量子自己教師型学習
- Authors: Lingxiao Li, Xiaohui Ni, Jing Li, Sujuan Qin, Fei Gao,
- Abstract要約: SSL(Self-Supervised Learning)は、データ固有の構造を用いて、手動のアノテーションに頼ることなく意味のある特徴を抽出する。
量子SSLは、量子状態を利用して表現能力と学習効率を向上させることで、有望な代替手段となった。
本文では,量子状態を利用するためのエンタングルメント拡張法 (QSEA) を用いた量子SSLを提案する。
- 参考スコア（独自算出の注目度）: 9.609797968902898
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As an unsupervised feature representation paradigm, Self-Supervised Learning (SSL) uses the intrinsic structure of data to extract meaningful features without relying on manual annotation. Despite the success of SSL, there are still problems, such as limited model capacity or insufficient representation ability. Quantum SSL has become a promising alternative because it can exploit quantum states to enhance expression ability and learning efficiency. This letter proposes a Quantum SSL with entanglement augmentation method (QSEA). Different from existing Quantum SSLs, QSEA introduces an entanglement-based sample generation scheme and a fidelity-driven quantum loss function. Specifically, QSEA constructs augmented samples by entangling an auxiliary qubit with the raw state and applying parameterized unitary transformations. The loss function is defined using quantum fidelity, quantifying similarity between quantum representations and effectively capturing sample relations. Experimental results show that QSEA outperforms existing quantum self-supervised methods on multiple benchmarks and shows stronger stability in decorrelation noise environments. This framework lays the theoretical and practical foundation for quantum learning systems and advances the development of quantum machine learning in SSL.
- Abstract（参考訳）: SSL(Self-Supervised Learning)は、教師なしの特徴表現パラダイムとして、データ固有の構造を用いて、手動のアノテーションに頼ることなく意味のある特徴を抽出する。
SSLの成功にもかかわらず、モデルキャパシティの制限や表現能力の不足といった問題はまだ残っている。
量子SSLは、量子状態を利用して表現能力と学習効率を向上させることで、有望な代替手段となった。
本文では, エンタングルメント拡張法 (QSEA) を用いた量子SSLを提案する。
既存のQuantum SSLと異なり、QSEAは絡み合いベースのサンプル生成スキームと忠実性駆動型量子損失関数を導入している。
具体的には、QSEAは、補助量子ビットを原状態に絡めてパラメータ化ユニタリ変換を適用することで、拡張サンプルを構築する。
損失関数は量子忠実度を用いて定義され、量子表現間の類似性を定量化し、サンプル関係を効果的に捉える。
実験の結果、QSEAは複数のベンチマークにおいて既存の量子自己教師手法よりも優れており、デコリレーションノイズ環境においてより強い安定性を示すことがわかった。
このフレームワークは、量子学習システムの理論的かつ実践的な基盤を築き、SSLにおける量子機械学習の発展を推進している。
関連論文リスト
- VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - A learning agent-based approach to the characterization of open quantum systems [0.0]
我々は,オープンな量子モデル学習エージェント (oQMLA) フレームワークを導入し,Louvillianフォーマリズムによるマルコフ雑音を考慮した。
ハミルトン作用素とジャンプ作用素を同時に学習することにより、oQMLAは独立に系のコヒーレント力学と非コヒーレント力学の両方を捉える。
複雑化のシミュレーションシナリオにおける本実装の有効性を検証し,ハードウェアによる測定誤差に対するロバスト性を示す。
論文 参考訳（メタデータ） (2025-01-09T16:25:17Z) - Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
量子機械学習は、環境モニタリング、医療診断、金融モデリングといった様々な応用において有望であることを示している。
重要な課題のひとつは、希少なイベントがスキューデータ分散によって誤って分類される、不均衡なデータセットを扱うことだ。
本稿では,QBNを用いて衛星由来の不均衡データセットを分類し,非スパイル領域とオイルスパイル'を区別するベイズ的手法を提案する。
論文 参考訳（メタデータ） (2024-12-24T15:44:26Z) - Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。
我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。
得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。
この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
論文 参考訳（メタデータ） (2024-05-12T09:05:13Z) - QUSL: Quantum Unsupervised Image Similarity Learning with Enhanced Performance [14.288836269941207]
QUSLは教師なし学習に類似した三つ子を使用し、アンカー画像の摂動によって正のサンプルを生成する。
臨界量子資源の利用を50%以上削減する。
量子リソースが少ない一方で、QUSLは大規模な教師なしタスクの可能性を示している。
論文 参考訳（メタデータ） (2024-04-02T15:17:09Z) - GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。
GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。
GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
論文 参考訳（メタデータ） (2024-01-25T11:11:16Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - Ansatz-Agnostic Exponential Resource Saving in Variational Quantum
Algorithms Using Shallow Shadows [5.618657159109373]
変分量子アルゴリズム(VQA)は、短期的な量子優位性の実証の有望な候補として特定されている。
本報告では,本論文で研究されている浅層アンザッツに対して,同様のレベルの貯蓄を実現するための浅層影に基づくプロトコルを提案する。
VQAが強力な選択肢となる量子情報、すなわち変分量子状態準備と変分量子回路合成の2つの重要な応用が示されている。
論文 参考訳（メタデータ） (2023-09-09T11:00:39Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Quantum variational learning for entanglement witnessing [0.0]
この研究は量子アルゴリズムの潜在的な実装に焦点を当て、$n$ qubitsの単一レジスタ上で定義された量子状態を適切に分類することができる。
我々は「絡み合いの証人」という概念、すなわち、特定の特定の状態が絡み合うものとして識別できる期待値を持つ演算子を利用する。
我々は,量子ニューラルネットワーク(QNN)を用いて,絡み合いの目撃者の行動を再現する方法をうまく学習した。
論文 参考訳（メタデータ） (2022-05-20T20:14:28Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。