Fugu-MT 論文翻訳(概要): Exploring Quantum Bootstrap Sampling for AQP Error Assessment: A Pilot Study

論文の概要: Exploring Quantum Bootstrap Sampling for AQP Error Assessment: A Pilot Study

arxiv url: http://arxiv.org/abs/2508.17500v1
Date: Sun, 24 Aug 2025 19:41:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-26 18:43:45.55705
Title: Exploring Quantum Bootstrap Sampling for AQP Error Assessment: A Pilot Study
Title（参考訳）: AQPエラー評価のための量子ブートストラップサンプリングの試行
Authors: Feng Yu, Raya Jahan,
Abstract要約: ブートストラップサンプリングは、人口データ分布が不明な場合でもエラーアセスメントを生成することができる。量子コンピュータ上でブートストラップサンプルを生成するための量子ブートストラップサンプリングフレームワークを提案する。
参考スコア（独自算出の注目度）: 1.6874664674533388
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Error assessment for Approximate Query Processing (AQP) is a challenging problem. Bootstrap sampling can produce error assessment even when the population data distribution is unknown. However, bootstrap sampling needs to produce a large number of resamples with replacement, which is a computationally intensive procedure. In this paper, we introduce a quantum bootstrap sampling (QBS) framework to generate bootstrap samples on a quantum computer and produce an error assessment for AQP query estimations. The quantum circuit design is included in this framework.
Abstract（参考訳）: Approximate Query Processing (AQP)のエラーアセスメントは難しい問題である。ブートストラップサンプリングは、人口データ分布が不明な場合でもエラー評価を生成することができる。しかし、ブートストラップサンプリングは、計算集約的な手順である置換を伴う多数の再サンプルを生成する必要がある。本稿では、量子コンピュータ上でブートストラップサンプルを生成する量子ブートストラップサンプリング(QBS)フレームワークを導入し、AQPクエリ推定のエラー評価を行う。量子回路設計はこの枠組みに含まれる。

関連論文リスト

Large Language Monkeys: Scaling Inference Compute with Repeated Sampling [81.34900892130929]
モデルから候補解を繰り返しサンプリングする簡単な手法を用いて、推論計算をスケーリングのための別の軸として検討する。複数のタスクやモデルにまたがって、カバレッジは4桁以上のサンプル数でスケールする。コードや形式的証明のようなドメインでは、回答が自動的に検証されるので、カバレッジの増加は直接的にパフォーマンスの向上につながります。
論文参考訳（メタデータ） (2024-07-31T17:57:25Z)
An Efficient Rehearsal Scheme for Catastrophic Forgetting Mitigation during Multi-stage Fine-tuning [55.467047686093025]
このような忘れを緩和するための一般的なアプローチは、微調整中に以前のタスクからサンプルをリハーサルすることである。側方損傷のリハーサルを優先するサンプリング手法である textttbf mix-cd を提案する。我々の手法は計算効率が高く、実装が容易で、計算制約のある設定においていくつかの主要な連続学習手法より優れています。
論文参考訳（メタデータ） (2024-02-12T22:32:12Z)
Counting collisions in random circuit sampling for benchmarking quantum computers [0.7252027234425332]
ランダムな量子回路の測定における衝突回数のカウントは、量子コンピュータの品質の実用的なベンチマークとなることを示す。この量は、適切に正規化されている場合、「衝突異常」ベンチマークや「衝突容積」テストとして使用できることを示す。
論文参考訳（メタデータ） (2023-12-07T11:12:30Z)
Rethinking Data-Free Quantization as a Zero-Sum Game [44.00726062583708]
データ量子化(DFQ)は、実データにアクセスすることなく、量子化されたネットワーク(Q)の性能を回復する。 DFQは、代わりに完全精度ネットワーク(P)から学習することで、ジェネレータ(G)を介して偽のサンプルを生成する。適応性のあるサンプルを生成するために,適応性のないサンプル生成法(AdaSG)を提案する。
論文参考訳（メタデータ） (2023-02-19T13:22:40Z)
Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文参考訳（メタデータ） (2022-12-12T15:06:32Z)
Markov subsampling based Huber Criterion [13.04847430878172]
サブサンプリングは、ビッグデータによってもたらされる計算課題に対処するための重要なテクニックである。我々は,ハマー基準(HMS)に基づく新しいマルコフサブサンプリング戦略を設計し,ノイズの多い全データから情報的サブセットを構築する。 HMSはメトロポリス・ハスティング(Metropolis-Hasting)手順に基づいて構築され、各サンプリングユニットの包含確率が決定される。軽度条件下では,HMSが選択したサブサンプルに基づく推定器は,ガウス下偏差境界と統計的に一致していることを示す。
論文参考訳（メタデータ） (2021-12-12T03:11:23Z)
Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文参考訳（メタデータ） (2021-10-06T16:58:34Z)
Uncorrelated problem-specific samples of quantum states from zero-mean Wishart distributions [4.289102530380288]
量子状態空間からサンプリングする2段階のアルゴリズムを提案する。量子状態に対するウィッシュアート分布の明示的な形式を確立する。このサンプリングアルゴリズムは1量子状態と2量子状態に対して非常に効率的であり、3量子状態に対しては合理的に効率的であることを示す。
論文参考訳（メタデータ） (2021-06-16T03:06:41Z)
Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs. Coded Systems [69.33243249411113]
パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
論文参考訳（メタデータ） (2020-12-15T15:51:27Z)

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。