論文の概要: Superior resilience to poisoning and amenability to unlearning in quantum machine learning

• arxiv url: http://arxiv.org/abs/2508.02422v1
• Date: Mon, 04 Aug 2025 13:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.361276
• Title: Superior resilience to poisoning and amenability to unlearning in quantum machine learning
• Title（参考訳）: 量子機械学習における中毒に対する上位のレジリエンスと未学習への回避性
• Authors: Yu-Qin Chen, Shi-Xin Zhang,
• Abstract要約: 古典モデルは脆い記憶を示し、一般化に失敗することを示した。 量子モデルは顕著なレジリエンスを示し、これはラベルノイズの増加に対する相転移のような反応によって強調される。 量子機械学習は、本質的なレジリエンスと効率的な適応性という2つの利点を持つことができる。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The reliability of artificial intelligence hinges on the integrity of its training data, a foundation often compromised by noise and corruption. Here, through a comparative study of classical and quantum neural networks on both classical and quantum data, we reveal a fundamental difference in their response to data corruption. We find that classical models exhibit brittle memorization, leading to a failure in generalization. In contrast, quantum models demonstrate remarkable resilience, which is underscored by a phase transition-like response to increasing label noise, revealing a critical point beyond which the model's performance changes qualitatively. We further establish and investigate the field of quantum machine unlearning, the process of efficiently forcing a trained model to forget corrupting influences. We show that the brittle nature of the classical model forms rigid, stubborn memories of erroneous data, making efficient unlearning challenging, while the quantum model is significantly more amenable to efficient forgetting with approximate unlearning methods. Our findings establish that quantum machine learning can possess a dual advantage of intrinsic resilience and efficient adaptability, providing a promising paradigm for the trustworthy and robust artificial intelligence of the future.
• Abstract（参考訳）: 人工知能の信頼性は、そのトレーニングデータの完全性にかかっている。 ここでは、古典的および量子的データにおける古典的および量子的ニューラルネットワークの比較研究を通して、データの破損に対する応答の根本的な違いを明らかにする。 古典モデルは脆い記憶を示し、一般化に失敗する。 対照的に、量子モデルは顕著なレジリエンスを示し、これはラベルノイズの増加に対する相転移のような応答によって強調され、モデルの性能が質的に変化する限界点が明らかである。 さらに、トレーニングされたモデルを効率よく強制し、劣化する影響を忘れさせる、量子マシンアンラーニングの分野を確立し、調査する。 古典的モデルの脆弱な性質は、誤ったデータの頑健で頑健な記憶を形成し、効率的な未学習を難しくする一方、量子モデルは、近似的未学習法で効率的に忘れることに対して、はるかに有益であることを示す。 我々の研究結果は、量子機械学習が本質的なレジリエンスと効率的な適応性という2つの利点を持つことを証明し、未来の信頼できる堅牢な人工知能に有望なパラダイムを提供する。

関連論文リスト

• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Old Rules in a New Game: Mapping Uncertainty Quantification to Quantum Machine Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-20T11:16:56Z)
• Weight Factorization and Centralization for Continual Learning in Speech Recognition [55.63455095283984]
  リハーサルのない多言語、言語に依存しない状態でモデルを継続的に訓練することは、破滅的な忘れを招きかねない。 人間の脳が覚醒サイクルを通じて知識を学習・統合する能力に着想を得て,継続的な学習手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T19:59:24Z)
• Fairness and Robustness in Machine Unlearning [20.758637391023345]
  機械学習アルゴリズムにおける公平性と堅牢性に焦点を当てる。 実験では、現在の最先端の非学習アルゴリズムが敵攻撃に対する脆弱性を実証している。 中間層と最後の層でのアンラーニングが時間とメモリの複雑さに十分で費用対効果があることを実証する。
  論文  参考訳（メタデータ） (2025-04-18T10:31:44Z)
• Double descent in quantum machine learning [1.0051474951635875]
  我々は、量子学習モデルが二重降下挙動を示すことを解析的に実証した。 また,二重降下の特徴である試験誤差ピークの存在も確認した。
  論文  参考訳（メタデータ） (2025-01-17T09:49:46Z)
• Entanglement-induced provable and robust quantum learning advantages [0.0]
  我々は、ノイズロストで無条件の量子学習の利点を厳格に確立することで前進する。 我々の証明は情報理論であり、この優位性の起源を示唆している。 量子モデルは定資源で訓練可能であり、定騒音に対して頑健であることを示す。
  論文  参考訳（メタデータ） (2024-10-04T02:39:07Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• 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)
• 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)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Quantum Self-Supervised Learning [22.953284192004034]
  対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
  論文  参考訳（メタデータ） (2021-03-26T18:00:00Z)

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。