論文の概要: Is data-efficient learning feasible with quantum models?

• arxiv url: http://arxiv.org/abs/2508.19437v1
• Date: Tue, 26 Aug 2025 21:14:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.428527
• Title: Is data-efficient learning feasible with quantum models?
• Title（参考訳）: データ効率の学習は量子モデルで可能か?
• Authors: Alona Sakhnenko, Christian B. Mendl, Jeanette M. Lorenz,
• Abstract要約: 量子カーネル法(QKM)は,従来の手法に比べてトレーニングデータが少なく,低い誤差率が得られることを示す。 本稿では,古典的量子ギャップの解明を目的とした,古典的カーネル法から派生したQML領域に新たな解析ツールを導入する。 この研究は、QKMモデルの一般化の利点と、より広範なQMLモデルのファミリーの理解に寄与する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The importance of analyzing nontrivial datasets when testing quantum machine learning (QML) models is becoming increasingly prominent in literature, yet a cohesive framework for understanding dataset characteristics remains elusive. In this work, we concentrate on the size of the dataset as an indicator of its complexity and explores the potential for QML models to demonstrate superior data-efficiency compared to classical models, particularly through the lens of quantum kernel methods (QKMs). We provide a method for generating semi-artificial fully classical datasets, on which we show one of the first evidence of the existence of classical datasets where QKMs require less data during training. Additionally, our study introduces a new analytical tool to the QML domain, derived for classical kernel methods, which can be aimed at investigating the classical-quantum gap. Our empirical results reveal that QKMs can achieve low error rates with less training data compared to classical counterparts. Furthermore, our method allows for the generation of datasets with varying properties, facilitating further investigation into the characteristics of real-world datasets that may be particularly advantageous for QKMs. We also show that the predicted performance from the analytical tool we propose - a generalization metric from classical domain - show great alignment empirical evidence, which fills the gap previously existing in the field. We pave a way to a comprehensive exploration of dataset complexities, providing insights into how these complexities influence QML performance relative to traditional methods. This research contributes to a deeper understanding of the generalization benefits of QKM models and potentially a broader family of QML models, setting the stage for future advancements in the field.
• Abstract（参考訳）: 量子機械学習(QML)モデルをテストする際に、非自明なデータセットを分析することの重要性は、文献ではますます顕著になっている。 本研究では、その複雑さの指標としてデータセットのサイズに集中し、量子カーネル法(QKM)のレンズを通して、古典的モデルよりも優れたデータ効率を示すQMLモデルの可能性を探る。 本稿では,QKMがトレーニング中に少ないデータを必要とする古典的データセットの存在を示す最初の証拠の1つを示す,半人工的な完全古典的データセットを生成する方法を提案する。 さらに,本研究では,古典的量子ギャップの調査を目的とした,古典的カーネル法から派生したQML領域に新たな解析ツールを導入する。 実験結果から,QKMは従来に比べてトレーニングデータが少なく,低い誤差率が得られることがわかった。 さらに,本手法により,様々な特性を持つデータセットの生成が可能となり,特にQKMに有利な実世界のデータセットの特徴について,さらなる研究が進められる。 また,古典的領域からの一般化指標である解析ツールによる予測性能は,これまでこの分野に存在したギャップを埋める優れたアライメント経験的証拠を示すことを示す。 我々は、データセットの複雑さを包括的に調査する方法を開拓し、これらの複雑さが従来の方法と比較してQMLのパフォーマンスにどのように影響するかを洞察する。 この研究は、QKMモデルの一般化の利点と、QMLモデルのより広範なファミリーについてより深く理解することに貢献し、この分野における将来の進歩の舞台となる。

関連論文リスト

• Quantum-Accelerated Neural Imputation with Large Language Models (LLMs) [0.0]
  本稿では、浅い量子回路をLLMベースの計算アーキテクチャに統合する新しいフレームワークであるQuantum-UnIMPを紹介する。 ベンチマーク混合型データセットを用いた実験により, 数値特徴量(RMSE)の計算誤差を最大15.2%削減し, カテゴリー的特徴量(F1-Score)の分類精度を, 最先端の古典的手法とLLMベースの手法と比較して8.7%向上した。
  論文  参考訳（メタデータ） (2025-07-11T02:00:06Z)
• Entangled mixed-state datasets generation by quantum machine learning [1.5467284361227343]
  本稿では,絡み合った分類タスクのための混合状態データセットを生成する方法を提案する。 量子エンタングルドデータセットの組み立てをさらに促進し、古典的および量子機械学習の両方で新しいエンタングルメント基準の発見を促す。
  論文  参考訳（メタデータ） (2025-03-09T05:19:20Z)
• Modeling Quantum Machine Learning for Genomic Data Analysis [12.248184406275405]
  量子機械学習(QML)は進化を続け、多様なアプリケーションに新たな機会を開放している。 ゲノム配列データのバイナリ分類におけるQMLモデルの適用性について,様々な特徴マッピング手法を用いて検討・評価する。 ベンチマークゲノミクスデータセット上で実験を行うために,オープンソースで独立したQiskitベースの実装を提案する。
  論文  参考訳（メタデータ） (2025-01-14T15:14:26Z)
• Quantum Kernel Learning for Small Dataset Modeling in Semiconductor Fabrication: Application to Ohmic Contact [18.42230728589117]
  我々は、浅いポーリZ特徴写像とトレーニング可能な量子カーネルアライメント層を組み合わせた量子カーネルアライメント回帰器(QKAR)を開発した。 QKARは、古典的なベースラインを複数のメトリクスで一貫して上回る。 これらの結果は、注意深く構築されたQMLモデルが、データ拘束型半導体モデリングにおいて予測上の利点をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2024-09-17T00:44:49Z)
• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクの文脈における量子カーネル法に焦点を当てる。 量子カーネル推定(QKE)と量子カーネル訓練(QKT)の性能を2つの量子特徴写像と関連づけて検討する。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)

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。