論文の概要: Limitations of Quantum Advantage in Unsupervised Machine Learning

• arxiv url: http://arxiv.org/abs/2511.10709v1
• Date: Thu, 13 Nov 2025 08:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.290339
• Title: Limitations of Quantum Advantage in Unsupervised Machine Learning
• Title（参考訳）: 教師なし機械学習における量子アドバンテージの限界
• Authors: Apoorva D. Patel,
• Abstract要約: 機械学習モデルは、ビッグデータのパターン認識分析に使用される。 これらのモデルの量子拡張は古典的な確率分布を量子密度行列に置き換える。 問題に依存した量子優位性の範囲は、データ分析とセンシングアプリケーションの両方に影響を及ぼす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models are used for pattern recognition analysis of big data, without direct human intervention. The task of unsupervised learning is to find the probability distribution that would best describe the available data, and then use it to make predictions for observables of interest. Classical models generally fit the data to Boltzmann distribution of Hamiltonians with a large number of tunable parameters. Quantum extensions of these models replace classical probability distributions with quantum density matrices. An advantage can be obtained only when features of density matrices that are absent in classical probability distributions are exploited. Such situations depend on the input data as well as the targeted observables. Explicit examples are discussed that bring out the constraints limiting possible quantum advantage. The problem-dependent extent of quantum advantage has implications for both data analysis and sensing applications.
• Abstract（参考訳）: 機械学習モデルは、人間の介入なしに、ビッグデータのパターン認識分析に使用される。 教師なし学習の課題は、利用可能なデータを最もよく記述した確率分布を見つけ、それを使って興味のある観測値の予測を行うことである。 古典的なモデルは一般に、多くの可変パラメータを持つハミルトンのボルツマン分布に適合する。 これらのモデルの量子拡張は古典的な確率分布を量子密度行列に置き換える。 古典確率分布に欠落する密度行列の特徴を利用する場合にのみ利点が得られる。 このような状況は、入力データだけでなく、対象のオブザーバブルにも依存する。 量子的優位性を制限する制約を課す明示的な例について論じる。 問題に依存した量子優位性の範囲は、データ分析とセンシングアプリケーションの両方に影響を及ぼす。

関連論文リスト

• Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
  量子離散化拡散確率モデル(QD3PM)を提案する。 これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。 本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-08T11:48:21Z)
• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• When Quantum and Classical Models Disagree: Learning Beyond Minimum Norm Least Square [1.9223856107206057]
  変分量子回路(VQC)は、量子コンピューティングの有用な応用のための重要な候補である。 回帰問題に対する量子アドバンテージの一般理論を提案する。 古典的に近似できない量子モデルを良い一般化で設計することは可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-07T18:18:38Z)
• Observable Statistical Mechanics [0.0]
  本稿では,観測対象の定常確率分布を決定するための,汎用的で計算が容易な手法を提案する。 得られた理論は、エネルギー固有状態のような詳細な微視的な情報なしで定常確率分布を正確に予測する。
  論文  参考訳（メタデータ） (2023-09-26T18:18:39Z)
• On the Sample Complexity of Quantum Boltzmann Machine Learning [0.0]
  モデルと目標との期待値の差からQBM学習の運用的定義を与える。 解は、少なくとも複数のギブス状態を用いて勾配降下で得られることを証明した。 特に,平均場,ガウスフェルミオン,幾何学的局所ハミルトニアンに基づく事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-26T18:00:50Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• 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)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Learnability of the output distributions of local quantum circuits [53.17490581210575]
  2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。 我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。 より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:00:20Z)
• The probabilistic world [0.0]
  セルオートマトンは離散時間ステップと実波関数を持つ量子系であることを示す。 古典統計学の量子形式論は、一般化したイジングモデルに対して運動量観測可能な実装を可能にする強力なツールである。
  論文  参考訳（メタデータ） (2020-11-04T14:05:31Z)

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。