論文の概要: Generalized Quantum Hadamard Test for Machine Learning

• arxiv url: http://arxiv.org/abs/2508.04065v1
• Date: Wed, 06 Aug 2025 03:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.539239
• Title: Generalized Quantum Hadamard Test for Machine Learning
• Title（参考訳）: 機械学習のための一般化量子アダマール試験
• Authors: Vivek Mehta, Arghya Choudhury, Utpal Roy,
• Abstract要約: 有界入力空間における内積を計算する能力を持つ量子アダマールテストを提案する。 従来の2つの機械学習モデルと統合することで,アルゴリズムの適用例を示す。
• 参考スコア（独自算出の注目度）: 1.904851064759821
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum machine learning models are designed for performing learning tasks. Some quantum classifier models are proposed to assign classes of inputs based on fidelity measurements. Quantum Hadamard test is a well-known quantum algorithm for computing these fidelities. However, the basic requirement for deploying the quantum Hadamard test maps input space to L2-normalize vector space. Consequently, computed fidelities correspond to cosine similarities in mapped input space. We propose a quantum Hadamard test with the additional capability to compute the inner product in bounded input space, which refers to the Generalized Quantum Hadamard test. It incorporates not only L2-normalization of input space but also other standardization methods, such as Min-max normalization. This capability is raised due to different quantum feature mapping and unitary evolution of the mapped quantum state. We discuss the quantum circuital implementation of our algorithm and establish this circuit design through numerical simulation. Our circuital architecture is efficient in terms of computational complexities. We show the application of our algorithm by integrating it with two classical machine learning models: Logistic regression binary classifier and Centroid-based binary classifier and solve four classification problems over two public-benchmark datasets and two artificial datasets.
• Abstract（参考訳）: 量子機械学習モデルは、学習タスクを実行するように設計されている。 いくつかの量子分類器モデルは、忠実度の測定に基づいて入力のクラスを割り当てるために提案されている。 量子アダマールテスト(Quantum Adamard test)は、これらの忠実性を計算するためのよく知られた量子アルゴリズムである。 しかし、量子アダマールテストの基本的な要件は、入力空間を L2-正規化ベクトル空間にマッピングすることである。 その結果、計算された忠実度は、写像された入力空間におけるコサイン類似度に対応する。 本稿では,有界入力空間における内積を計算する付加能力を持つ量子アダマールテストを提案する。 入力空間のL2正規化だけでなく、Min-max正規化のような他の標準化手法も取り入れている。 この能力は、異なる量子特徴写像と、マッピングされた量子状態のユニタリ進化によって上昇する。 本稿では,本アルゴリズムの量子回路実装について論じ,数値シミュレーションによる回路設計について述べる。 私たちの回路アーキテクチャは計算複雑性の点で効率的です。 本稿では,ロジスティック回帰二項分類器とCentroidに基づく二項分類器の2つの古典的機械学習モデルと統合してアルゴリズムの適用例を示し,公開ベンチマークデータセットと2つの人工データセットの4つの分類問題を解く。

関連論文リスト

• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Expressivity Limits of Quantum Reservoir Computing [0.0]
  パラメタライズド量子回路量子機械学習(PQC-QML)への公式な接続を確立する。 古典的データから生成可能な非線形関数の数は、入力符号化ゲートの数によって線形に制限されていることを解析的に証明し、数値的に相関する。 我々の結果は指数ヒルベルト空間のスケーリングがQRCにおける対応する計算上の優位性を与えるという一般的な仮定に挑戦する。
  論文  参考訳（メタデータ） (2025-01-26T13:43:03Z)
• 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)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
  本稿では,量子回路実行の並列化モデルを提案する。 このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
  論文  参考訳（メタデータ） (2024-06-05T17:16:07Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• Machine learning applications for noisy intermediate-scale quantum computers [0.0]
  NISQコンピュータに適した3つの量子機械学習アプリケーションを開発し研究する。 これらのアルゴリズムは本質的に変動し、基礎となる量子機械学習モデルとしてパラメータ化量子回路(PQC)を使用する。 近似量子クローニングの領域において,データを自然界において量子化する変分アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-19T09:26:57Z)
• Quantum neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• Benchmarking Small-Scale Quantum Devices on Computing Graph Edit Distance [52.77024349608834]
  グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。 本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
  論文  参考訳（メタデータ） (2021-11-19T12:35:26Z)
• QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to Enhance ML Classifiers and Feature Spaces [0.49841205356595936]
  機械学習と量子コンピューティングは、特定のアルゴリズムのパフォーマンスと振る舞いにパラダイムシフトを引き起こしている。 本稿ではまず,量子的特徴空間の実装に関する数学的直観について述べる。 従来のKNNの分類手法を模倣した雑音変動量子回路KNNを構築した。
  論文  参考訳（メタデータ） (2020-02-22T04:14:32Z)
• Quantum embeddings for machine learning [5.16230883032882]
  量子分類器は、機械学習モデルとして使用されるトレーニング可能な量子回路である。 我々は、ヒルベルト空間におけるデータクラスを最大限に分離することを目的として、回路の最初の部分(埋め込み)を訓練することを提案する。 このアプローチは量子機械学習のための強力な分析フレームワークを提供する。
  論文  参考訳（メタデータ） (2020-01-10T19:00:01Z)

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。