論文の概要: QuantumBoost: A lazy, yet fast, quantum algorithm for learning with weak hypotheses
- arxiv url: http://arxiv.org/abs/2510.05089v1
- Date: Mon, 06 Oct 2025 17:56:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:53:00.042215
- Title: QuantumBoost: A lazy, yet fast, quantum algorithm for learning with weak hypotheses
- Title（参考訳）: QuantumBoost:弱い仮説で学ぶための遅延、高速、量子アルゴリズム
- Authors: Amira Abbas, Yanlin Chen, Tuyen Nguyen, Ronald de Wolf,
- Abstract要約: 本稿では,機械学習における意思決定品質向上のためのアルゴリズムQuantumBoostを紹介する。
まず、量子アルゴリズムを用いて近似的なブレグマン射影を高速に計算する。
第二に、これを遅延プロジェクション戦略と組み合わせます。
我々の知る限り、QuantumBoostは古典的または量子的なアルゴリズムであり、ブースティングの文脈で遅延プロジェクション戦略をうまく採用した最初のアルゴリズムである。
- 参考スコア（独自算出の注目度）: 2.072478807901501
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The technique of combining multiple votes to enhance the quality of a decision is the core of boosting algorithms in machine learning. In particular, boosting provably increases decision quality by combining multiple weak learners-hypotheses that are only slightly better than random guessing-into a single strong learner that classifies data well. There exist various versions of boosting algorithms, which we improve upon through the introduction of QuantumBoost. Inspired by classical work by Barak, Hardt and Kale, our QuantumBoost algorithm achieves the best known runtime over other boosting methods through two innovations. First, it uses a quantum algorithm to compute approximate Bregman projections faster. Second, it combines this with a lazy projection strategy, a technique from convex optimization where projections are performed infrequently rather than every iteration. To our knowledge, QuantumBoost is the first algorithm, classical or quantum, to successfully adopt a lazy projection strategy in the context of boosting.
- Abstract（参考訳）: 決定の質を高めるために複数の投票を組み合わせるテクニックは、機械学習におけるアルゴリズムの強化のコアである。
特に、ランダムな推測よりもわずかに良い複数の弱い学習者-仮説を組み合わせることで、決定品質を確実に向上させる。
ブースティングアルゴリズムには様々なバージョンがあり、QuantumBoostの導入によって改善されている。
Barak, Hardt, Kaleの古典的な研究にインスパイアされた私たちのQuantumBoostアルゴリズムは、2つのイノベーションを通じて、他のブースティングメソッドよりもよく知られたランタイムを実現する。
まず、量子アルゴリズムを用いて近似的なブレグマン射影を高速に計算する。
第二に、これを遅延プロジェクション戦略と組み合わせることで、全てのイテレーションではなく、プロジェクションが頻繁に実行される凸最適化のテクニックである。
我々の知る限り、QuantumBoostは古典的または量子的なアルゴリズムであり、ブースティングの文脈で遅延プロジェクション戦略をうまく採用した最初のアルゴリズムである。
関連論文リスト
- How to Boost Any Loss Function [63.573324901948716]
損失関数はブースティングにより最適化可能であることを示す。
また、古典的な$0の注文設定でまだ不可能な成果を達成できることも示しています。
論文 参考訳（メタデータ） (2024-07-02T14:08:23Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Supervised Learning Guarantee for Quantum AdaBoost [7.473180902609473]
ノイズの多い中間スケール量子(NISQ)時代には、変分量子アルゴリズムは量子回路の量子ビット数の制限と浅い深さのために制約される。
本稿では,量子適応ブースティング(AdaBoost)の学習保証を理論的に確立し,数値的に検証する。
我々の研究は、現在のNISQ時代において、適切なアンサンブル法を導入することは、量子機械学習アルゴリズムの性能向上に特に有用であることを示している。
論文 参考訳（メタデータ） (2024-02-04T07:18:44Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - Efficient Quantum Agnostic Improper Learning of Decision Trees [0.18416014644193066]
我々は、インスタンス上の一様境界を持つ決定木を学習するためのポリアグノスティック(n,t,frac1varepsilon)$量子アルゴリズムを提供する。
我々のアルゴリズムは、メンバーシップクエリなしで決定木を学習するための最初のアルゴリズム(古典的または量子的)である。
論文 参考訳（メタデータ） (2022-10-01T07:11:19Z) - Entanglement and coherence in Bernstein-Vazirani algorithm [58.720142291102135]
Bernstein-Vaziraniアルゴリズムは、オラクルに符号化されたビット文字列を決定できる。
我々はベルンシュタイン・ヴァジラニアルゴリズムの量子資源を詳細に分析する。
絡み合いがない場合、初期状態における量子コヒーレンス量とアルゴリズムの性能が直接関係していることが示される。
論文 参考訳（メタデータ） (2022-05-26T20:32:36Z) - Quantum Boosting using Domain-Partitioning Hypotheses [0.9264464791978363]
ブースティングは、弱い学習者をPAC学習フレームワークの強力な学習者に変換するアンサンブル学習法である。
Q-RealBoostは、弱い学習者のバイアスと弱い学習者がターゲット概念クラスを学習するのに要する時間の両方の観点から、Q-AdaBoostを高速化することを示した。
論文 参考訳（メタデータ） (2021-10-25T10:46:13Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳（メタデータ） (2021-06-08T21:05:30Z) - Quantum Inspired Adaptive Boosting [0.0]
量子アンサンブル法は古典的アルゴリズムに勝らないことを示す。
本稿では,量子アンサンブル法と適応的なブースティングを組み合わせた手法を提案する。
アルゴリズムはテストされ、公開データセット上のAdaBoostアルゴリズムに匹敵することがわかった。
論文 参考訳（メタデータ） (2021-02-01T16:33:14Z) - Improved Quantum Boosting [1.0660480034605238]
Arunachalam と Maity は、Freund と Schapire の AdaBoost アルゴリズムと近似カウントのための量子アルゴリズムを組み合わせることで、最初の量子改良を行った。
本稿では,ServedioのSmoothBoostアルゴリズムに基づく,より高速でシンプルな量子ブースティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-17T15:16:42Z) - On the Dual Formulation of Boosting Algorithms [92.74617630106559]
AdaBoost,LogitBoost,Soft-marginBoostのラグランジュ問題は、すべて一般化されたヒンジ損失エントロピーの双対問題であることを示す。
これらのブースティングアルゴリズムの2つの問題を見て、より良いマージン分布を維持するという観点から、ブースティングの成功を理解することができることを示す。
論文 参考訳（メタデータ） (2009-01-23T02:14:42Z)
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。