論文の概要: Quantum Semi-Random Forests for Qubit-Efficient Recommender Systems

• arxiv url: http://arxiv.org/abs/2508.00027v1
• Date: Wed, 30 Jul 2025 03:20:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.5865
• Title: Quantum Semi-Random Forests for Qubit-Efficient Recommender Systems
• Title（参考訳）: Qubit-Efficient Recommenderシステムのための量子セミランサムフォレスト
• Authors: Azadeh Alavi, Fatemeh Kouchmeshki, Abdolrahman Alavi, Yongli Ren, Jiayang Niu,
• Abstract要約: 現代のレコメンデータは、各項目を数百のスパースセマンティックタグで記述している。 ほとんどの量子パイプラインは、タグごとに1量子ビットをマッピングし、100量子ビット以上を要求する。 このギャップを、タグプロファイルを圧縮する3段階のハイブリッド機械学習アルゴリズムで埋める。
• 参考スコア（独自算出の注目度）: 2.9272689981427407
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern recommenders describe each item with hundreds of sparse semantic tags, yet most quantum pipelines still map one qubit per tag, demanding well beyond one hundred qubits, far out of reach for current noisy-intermediate-scale quantum (NISQ) devices and prone to deep, error-amplifying circuits. We close this gap with a three-stage hybrid machine learning algorithm that compresses tag profiles, optimizes feature selection under a fixed qubit budget via QAOA, and scores recommendations with a Quantum semi-Random Forest (QsRF) built on just five qubits, while performing similarly to the state-of-the-art methods. Leveraging SVD sketching and k-means, we learn a 1000-atom dictionary ($>$97 \% variance), then solve a 2020 QUBO via depth-3 QAOA to select 5 atoms. A 100-tree QsRF trained on these codes matches full-feature baselines on ICM-150/500.
• Abstract（参考訳）: 現代の推奨者は、各項目を数百のスパースセマンティックタグで記述するが、ほとんどの量子パイプラインは、タグごとに1キュービットをマッピングし、数百キュービットを超える要求があり、現在のノイズの多い中間規模量子(NISQ)デバイスには程遠い。 このギャップを、タグプロファイルを圧縮し、QAOAを介して固定キュービット予算の下で特徴選択を最適化する3段階のハイブリッド機械学習アルゴリズムで埋め、わずか5キュービット上に構築されたQuantum semi-Random Forest (QsRF)でレコメンデーションをスコア付けし、最先端の手法と同じような動作を行う。 SVDのスケッチとk-平均を使い、1000原子の辞書($97 \%の分散)を学び、深さ3 QAOAで2020 QUBOを解き、5つの原子を選択する。 これらの符号に基づいて訓練された100本のQsRFは、ICM-150/500のフル機能のベースラインと一致する。

関連論文リスト

• Evaluating the performance of quantum processing units at large width and depth [0.40964539027092917]
  線形ランプ量子近似最適化アルゴリズム(LR-QAOA)に基づくベンチマークプロトコルを提案する。 LR-QAOAは、回路深度が増加するにつれてコヒーレント信号を保存するQPUの能力を定量化し、ランダムサンプリングと統計的に区別できない性能になるかどうかを特定する。 このプロトコルを6つのベンダーの24の量子プロセッサに適用し、最大156の量子ビットと1Dチェーンにまたがる1万の層、ネイティブレイアウト、完全に接続されたトポロジの問題をテストします。
  論文  参考訳（メタデータ） (2025-02-10T13:50:50Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• On the practicality of quantum sieving algorithms for the shortest vector problem [42.70026220176376]
  格子ベースの暗号は、量子後暗号の主要な候補の1つである。 量子攻撃に対する暗号セキュリティは、最短ベクトル問題(SVP)のような格子問題に基づいている SVPを解くための漸近的な量子スピードアップはGroverの探索に依存している。
  論文  参考訳（メタデータ） (2024-10-17T16:54:41Z)
• Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
  我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。 我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
  論文  参考訳（メタデータ） (2024-01-17T18:59:38Z)
• A Race Track Trapped-Ion Quantum Processor [0.0]
  我々は,周期的境界条件を持つ線形トラップに基づく新しい量子電荷結合デバイスを記述し,ベンチマークする。 当初は32量子ビットで運用されていたが、将来のアップグレードでさらに拡張される予定だ。
  論文  参考訳（メタデータ） (2023-05-05T20:07:37Z)
• Exploring the neighborhood of 1-layer QAOA with Instantaneous Quantum Polynomial circuits [0.0]
  我々は1層QAOA回路をパラメータ化即時量子多項式回路のより大きなクラスに埋め込む。 最適パラメータを求めるために解析式を用いることで、我々のプロトコルはバレンプラトーやハードウェアノイズに対して堅牢である。 我々のプロトコルは、最近リリースされたQuantinuum H2トラップイオン量子ハードウェアとエミュレータの1層QAOAよりも優れている。
  論文  参考訳（メタデータ） (2022-10-11T15:16:44Z)
• Iterative Qubits Management for Quantum Index Searching in a Hybrid System [56.39703478198019]
  IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。 我々はQiskitでIQuCSを実装し、集中的な実験を行う。 その結果、量子ビットの消費を最大66.2%削減できることが示されている。
  論文  参考訳（メタデータ） (2022-09-22T21:54:28Z)
• Efficient quantum readout-error mitigation for sparse measurement outcomes of near-term quantum devices [4.814193390931978]
  本稿では、2つの効率的な量子読み出し誤差軽減法を提案する。 提案手法は、$O(ns2)$ time for probability distributions of $n$ qubits and $s$ shotsで終了する。 提案手法を用いて,65量子GHZ状態の緩和にはほんの数秒しかかからず,29量子GHZ状態の0.5を超える忠実さを目撃する。
  論文  参考訳（メタデータ） (2022-01-26T16:42:03Z)
• Optimized fermionic SWAP networks with equivalent circuit averaging for QAOA [2.3362993651992863]
  量子近似最適化アルゴリズム(QAOA)のためのフェミオンSWAPネットワークの実行を最適化する。 等価回路平均化(Equivalent Circuit Averaging)を導入し,量子回路コンパイルにおける自由度をランダム化する。 超伝導量子プロセッサ上の4つのトランスモン量子ビット上での深さp = 1のQAOAの誤差(経時変化距離)を平均60%低減する。
  論文  参考訳（メタデータ） (2021-11-08T15:32:05Z)
• Optimal Qubit Mapping with Simultaneous Gate Absorption [9.530683922512873]
  コンパイルにおける重要なステップは、プログラム内の量子ビットを、与えられた量子コンピュータ上の物理量子ビットにマッピングすることである。 OLSQ-GAは、SWAPゲートを同時に吸収する鍵となる特徴を持つ最適量子ビットマッパーである。 OLSQ-GAは、他の最先端手法と比較して、深さを最大50.0%、SWAPカウントを100%削減する。
  論文  参考訳（メタデータ） (2021-09-14T05:15:36Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)
• ZeroQ: A Novel Zero Shot Quantization Framework [83.63606876854168]
  量子化は、ニューラルネットワークの推論時間とメモリフットプリントを削減するための有望なアプローチである。 既存のゼロショット量子化法では、異なるエポックを用いてこの問題に対処するが、性能は低下する。 本稿では,この問題に対処する新しいゼロショット量子化フレームワークであるZeroQを提案する。
  論文  参考訳（メタデータ） (2020-01-01T23:58:26Z)

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。