論文の概要: Conservative quantum offline model-based optimization
- arxiv url: http://arxiv.org/abs/2506.19714v1
- Date: Tue, 24 Jun 2025 15:20:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.70089
- Title: Conservative quantum offline model-based optimization
- Title（参考訳）: 保守的量子オフラインモデルに基づく最適化
- Authors: Kristian Sotirov, Annie E. Paine, Savvas Varsamopoulos, Antonio A. Gentile, Osvaldo Simeone,
- Abstract要約: オフラインモデルベース最適化(英語: offline model-based optimization, MBO)とは、入力出力データの固定セットのみを使用してブラックボックスの目的関数を最適化するタスクを指す。
最近の研究は、変分量子回路の表現力を利用する量子エクストリームラーニング(QEL)を導入している。
本稿では,QEL を保守的客観モデル (COM) に統合する手法を提案する。
- 参考スコア（独自算出の注目度）: 27.370110767908166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Offline model-based optimization (MBO) refers to the task of optimizing a black-box objective function using only a fixed set of prior input-output data, without any active experimentation. Recent work has introduced quantum extremal learning (QEL), which leverages the expressive power of variational quantum circuits to learn accurate surrogate functions by training on a few data points. However, as widely studied in the classical machine learning literature, predictive models may incorrectly extrapolate objective values in unexplored regions, leading to the selection of overly optimistic solutions. In this paper, we propose integrating QEL with conservative objective models (COM) - a regularization technique aimed at ensuring cautious predictions on out-of-distribution inputs. The resulting hybrid algorithm, COM-QEL, builds on the expressive power of quantum neural networks while safeguarding generalization via conservative modeling. Empirical results on benchmark optimization tasks demonstrate that COM-QEL reliably finds solutions with higher true objective values compared to the original QEL, validating its superiority for offline design problems.
- Abstract（参考訳）: オフラインモデルベース最適化(英語: Offline model-based optimization, MBO)とは、入力出力データの固定セットのみを用いてブラックボックスの目的関数を最適化するタスクである。
近年の量子エクストリームラーニング(QEL)は、変動量子回路の表現力を利用して、数個のデータポイントでトレーニングすることで正確な代理関数を学習する。
しかし、古典的な機械学習の文献で広く研究されているように、予測モデルは探索されていない領域の客観的値を誤って外挿し、過度に楽観的な解が選択される。
本稿では,QEL を保守的客観モデル (COM) と統合することを提案する。
その結果得られたハイブリッドアルゴリズムCOM-QELは、量子ニューラルネットワークの表現力に基づいて、保守的モデリングによる一般化を保護している。
ベンチマーク最適化タスクにおける実証的な結果は、COM-QELが元のQELよりも高い真の目標値の解を確実に見つけ、オフライン設計問題に対する優位性を検証していることを示している。
関連論文リスト
- Online Decision-Focused Learning [63.83903681295497]
意思決定中心学習(DFL)は、意思決定タスクで出力が使用される予測モデルを訓練するパラダイムとして、ますます人気が高まっている。
対象関数が時間とともに進化しない動的環境におけるDFLについて検討する。
決定空間が単純空間であるときと一般有界凸ポリトープであるときの両方において、期待される動的後悔の限界を確立する。
論文 参考訳（メタデータ） (2025-05-19T10:40:30Z) - A Preliminary Investigation on the Usage of Quantum Approximate Optimization Algorithms for Test Case Selection [2.1929683225837078]
この研究は、テストケースの選択に量子近似最適化アルゴリズム(QAOAs)の使用を想定している。
QAOAsは、ゲートベースの量子マシンのポテンシャルと、断熱進化の最適化能力とを融合する。
この結果から,QAOAsは効率面ではSelectQAに匹敵する性能を示しながら,ベースラインアルゴリズムよりも優れた性能を示した。
論文 参考訳（メタデータ） (2025-04-26T15:38:01Z) - Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。
モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。
科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
論文 参考訳（メタデータ） (2025-03-21T16:35:02Z) - Automated Computational Energy Minimization of ML Algorithms using Constrained Bayesian Optimization [1.2891210250935148]
我々は,エネルギー消費を最小化する目的で,制約付きベイズ最適化(CBO)を評価した。
我々は,MLモデルの予測性能を損なうことなく,CBOによる省エネ効果を実証した。
論文 参考訳（メタデータ） (2024-07-08T09:49:38Z) - From Function to Distribution Modeling: A PAC-Generative Approach to
Offline Optimization [30.689032197123755]
本稿では、オフラインデータ例の集合を除いて目的関数が不明なオフライン最適化の問題について考察する。
未知の目的関数を学習して最適化するのではなく、より直感的で直接的な視点で、最適化は生成モデルからサンプリングするプロセスと考えることができる。
論文 参考訳（メタデータ） (2024-01-04T01:32:50Z) - Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。
実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文 参考訳（メタデータ） (2023-11-05T12:03:58Z) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳（メタデータ） (2021-10-27T05:37:12Z) - Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。
理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
論文 参考訳（メタデータ） (2021-08-27T19:03:32Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z)
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。