論文の概要: Old Rules in a New Game: Mapping Uncertainty Quantification to Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2507.14919v1
• Date: Sun, 20 Jul 2025 11:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.125737
• Title: Old Rules in a New Game: Mapping Uncertainty Quantification to Quantum Machine Learning
• Title（参考訳）: 新しいゲームにおける古いルール:不確かさの量子化を量子機械学習にマッピングする
• Authors: Maximilian Wendlinger, Kilian Tscharke, Pascal Debus,
• Abstract要約: 古典的な文脈における重要な研究にもかかわらず、量子機械学習のブラックボックスの性質に対処する研究はほとんど行われていない。 我々の研究は、新しい量子機械学習モデルの設計プロセスにおいて、不確実性定量化に関する古典的な洞察を活用することの必要性を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the key obstacles in traditional deep learning is the reduction in model transparency caused by increasingly intricate model functions, which can lead to problems such as overfitting and excessive confidence in predictions. With the advent of quantum machine learning offering possible advances in computational power and latent space complexity, we notice the same opaque behavior. Despite significant research in classical contexts, there has been little advancement in addressing the black-box nature of quantum machine learning. Consequently, we approach this gap by building upon existing work in classical uncertainty quantification and initial explorations in quantum Bayesian modeling to theoretically develop and empirically evaluate techniques to map classical uncertainty quantification methods to the quantum machine learning domain. Our findings emphasize the necessity of leveraging classical insights into uncertainty quantification to include uncertainty awareness in the process of designing new quantum machine learning models.
• Abstract（参考訳）: 従来のディープラーニングにおける重要な障害の1つは、複雑なモデル関数の増大によるモデルの透明性の低下であり、過度な適合や予測への過度な信頼といった問題を引き起こす可能性がある。 量子機械学習の出現により、計算能力と潜時空間の複雑さの進歩が期待できるようになり、我々は同じ不透明な振る舞いに気づく。 古典的な文脈における重要な研究にもかかわらず、量子機械学習のブラックボックスの性質に対処する研究はほとんど行われていない。 その結果,古典的不確実性定量化手法を量子機械学習領域にマッピングする手法を理論的に開発・実証的に評価するために,古典的不確実性定量化と量子ベイズモデリングの初期探索の既存の研究に基づいて,このギャップにアプローチする。 我々の研究は、新しい量子機械学習モデルの設計プロセスにおいて、不確実性定量化に関する古典的な洞察を活用することの必要性を強調した。

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 Supervised Learning [0.5439020425819]
  量子コンピューティングの最近の進歩は、これを複雑な計算課題に取り組むための先進的な解決策として位置づけている。 量子機械学習の分野はまだ初期段階にあり、短期的な量子優位性に関する懐疑的なレベルが持続している。 本稿では、教師あり学習のための現在の量子アルゴリズムに関する古典的な視点を提供することを目的とする。
  論文  参考訳（メタデータ） (2024-07-24T11:05:05Z)
• Quantum Generative Adversarial Networks: Bridging Classical and Quantum Realms [0.6827423171182153]
  GAN(Generative Adversarial Networks)領域における古典的および量子コンピューティングパラダイムの相乗的融合について検討する。 我々の目的は、量子計算要素を従来のGANアーキテクチャにシームレスに統合し、トレーニングプロセスの強化のために新しい経路を開放することである。 この研究は量子化機械学習の最前線に位置し、量子システムの計算能力を活用するための重要な一歩である。
  論文  参考訳（メタデータ） (2023-12-15T16:51:36Z)
• Information-theoretic generalization bounds for learning from quantum data [5.0739329301140845]
  古典量子データに基づくトレーニングにより量子学習を記述するための数学的定式化を提案する。 我々は,古典的および量子的情報理論量の観点から,量子学習者の期待する一般化誤差を証明した。 我々の研究は、量子学習に関する量子情報理論的な視点を統一するための基礎を築いた。
  論文  参考訳（メタデータ） (2023-11-09T17:21:38Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Exponential separations between classical and quantum learners [2.209921757303168]
  我々は,定義の微妙な違いが,学習者が満足して解決すべき要件や課題を著しく異なるものにする可能性について論じる。 本稿では,データ生成関数の同定に古典的困難を主眼として,2つの新たな学習分離を提案する。
  論文  参考訳（メタデータ） (2023-06-28T08:55:56Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Modern applications of machine learning in quantum sciences [52.05381760296929]
  本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。 我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
  論文  参考訳（メタデータ） (2022-04-08T17:48:59Z)
• How to enhance quantum generative adversarial learning of noisy information [5.8010446129208155]
  最適化プロセス中にどのような異なるトレーニング問題が発生するかを示す。 我々は,どのオペレーティング・システムにおいても,より高速な収束を実現するための新しい戦略を提案する。 本研究は,このようなハイブリッド古典量子プロトコルの実験的実験の道を開くものである。
  論文  参考訳（メタデータ） (2020-12-10T21:48:26Z)

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。