論文の概要: Amplitude-based Input Attribution in Quantum Learning via Integrated Gradients

• arxiv url: http://arxiv.org/abs/2510.02497v1
• Date: Thu, 02 Oct 2025 19:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.140825
• Title: Amplitude-based Input Attribution in Quantum Learning via Integrated Gradients
• Title（参考訳）: 積分勾配による量子学習における振幅に基づく入力属性
• Authors: Nicholas S. DiBrita, Jason Han, Younghyun Cho, Hengrui Luo, Tirthak Patel,
• Abstract要約: 本稿では,回路ベースQMLモデルにおける振幅に基づく入力属性スコアを計算するためのフレームワークであるHATTRIQを紹介する。 分類タスクにおけるHATTRIQの有効性を複数のデータセットで検証する。
• 参考スコア（独自算出の注目度）: 4.946006905837039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) algorithms have demonstrated early promise across hardware platforms, but remain difficult to interpret due to the inherent opacity of quantum state evolution. Widely used classical interpretability methods, such as integrated gradients and surrogate-based sensitivity analysis, are not directly compatible with quantum circuits due to measurement collapse and the exponential complexity of simulating state evolution. In this work, we introduce HATTRIQ, a general-purpose framework to compute amplitude-based input attribution scores in circuit-based QML models. HATTRIQ supports the widely-used input amplitude embedding feature encoding scheme and uses a Hadamard test-based construction to compute input gradients directly on quantum hardware to generate provably faithful attributions. We validate HATTRIQ on classification tasks across several datasets (Bars and Stripes, MNIST, and FashionMNIST).
• Abstract（参考訳）: 量子機械学習(QML)アルゴリズムは、ハードウェアプラットフォーム間で早期の約束を証明しているが、量子状態の進化の本質的な不透明さのため、解釈が難しいままである。 積分勾配や代理に基づく感度解析など、広く使われている古典的解釈可能性法は、測定崩壊と状態進化をシミュレートする指数関数的な複雑さにより、量子回路と直接的に互換性がない。 本研究では,回路ベースQMLモデルにおける振幅に基づく入力属性スコアを計算するための汎用フレームワークであるHATTRIQを紹介する。 HATTRIQは、広く使われている入力振幅埋め込み機能符号化スキームをサポートし、量子ハードウェア上で直接入力勾配を計算するためにアダマールテストベース構造を用いて、証明可能な忠実な属性を生成する。 HATTRIQを複数のデータセット(Bars,Stripes,MNIST,FashionMNIST)の分類タスクで検証する。

関連論文リスト

• A Qubit-Efficient Hybrid Quantum Encoding Mechanism for Quantum Machine Learning [11.861417859173859]
  量子主測地解析(Quantum principal Geodesic Analysis, QPGA)は、次元の減少と量子ビット効率の符号化のための非可逆的手法である。 我々は、qPGAは量子およびハイブリッドオートエンコーダよりも局所構造を効率的に保存することを示した。 下流のQML分類タスクでは、qPGAは99%以上の精度を達成でき、MNISTとFashion-MNISTのF1スコアは量子依存ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-24T03:09:16Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
  ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。 このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
  論文  参考訳（メタデータ） (2025-05-28T16:50:05Z)
• 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)
• Entanglement scaling in matrix product state representation of smooth functions and their shallow quantum circuit approximations [0.28917933888634956]
  マトリックス積状態(MPS)法は、浅い量子回路を構築する上で最も有望な手法として現れた。 入力関数の滑らかさに依存するMPS表現における結合間の絡み合いの崩壊に対する厳密な展開を導出する。 我々は、量子回路を浅く正確に符号化する改良されたMPSベースのアルゴリズムを構築した。
  論文  参考訳（メタデータ） (2024-12-06T17:31:35Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)

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。