論文の概要: Adaptive Conformal Prediction for Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2511.18225v1
• Date: Sun, 23 Nov 2025 00:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.706363
• Title: Adaptive Conformal Prediction for Quantum Machine Learning
• Title（参考訳）: 量子機械学習のための適応型等角予測
• Authors: Douglas Spencer, Samual Nicholls, Michele Caprio,
• Abstract要約: 我々は、量子プロセッサに固有の時間変化ノイズが共形保証を損なう可能性があることを定式化する。 本稿では,任意のハードウェアノイズ条件下での平均カバレッジ保証を保持するアルゴリズムであるAdaptive Quantum Conformal Prediction (AQCP)を紹介する。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning seeks to leverage quantum computers to improve upon classical machine learning algorithms. Currently, robust uncertainty quantification methods remain underdeveloped in the quantum domain, despite the critical need for reliable and trustworthy predictions. Recent work has introduced quantum conformal prediction, a framework that produces prediction sets that are guaranteed to contain the true outcome with user-specified probability. In this work, we formalise how the time-varying noise inherent in quantum processors can undermine conformal guarantees, even when calibration and test data are exchangeable. To address this challenge, we draw on Adaptive Conformal Inference, a method which maintains validity over time via repeated recalibration. We introduce Adaptive Quantum Conformal Prediction (AQCP), an algorithm which preserves asymptotic average coverage guarantees under arbitrary hardware noise conditions. Empirical studies on an IBM quantum processor demonstrate that AQCP achieves target coverage levels and exhibits greater stability than quantum conformal prediction.
• Abstract（参考訳）: 量子機械学習は、古典的な機械学習アルゴリズムを改善するために量子コンピュータを活用しようとしている。 現在、信頼性と信頼性のある予測が必須であるにもかかわらず、堅牢な不確実性定量化法は量子領域では未発達のままである。 最近の研究は、ユーザ特定確率の真の結果を含むことが保証される予測セットを生成するフレームワークである量子コンフォメーション予測を導入した。 本研究では, 量子プロセッサに固有の時間変化ノイズが, キャリブレーションやテストデータ交換が可能な場合でも, 整合性保証を損なう可能性について定式化する。 この課題に対処するために、繰り返し再校正によって時間とともに妥当性を維持する手法であるAdaptive Conformal Inference(Adaptive Conformal Inference)を取り上げる。 本稿では,任意のハードウェアノイズ条件下での漸近平均カバレッジ保証を保存するアルゴリズムであるAdaptive Quantum Conformal Prediction (AQCP)を紹介する。 IBM量子プロセッサに関する実証研究は、AQCPがターゲットカバレッジレベルを達成し、量子コンフォメーション予測よりも高い安定性を示すことを示した。

関連論文リスト

• Reinforcement Learning Control of Quantum Error Correction [108.70420561323692]
  量子コンピュータは、エラーから直接自己改善することを学び、決してコンピューティングを止めない。 この研究によって新しいパラダイムが実現された: 量子コンピュータは、そのエラーから直接自己改善を学び、決してコンピューティングを止めない。
  論文  参考訳（メタデータ） (2025-11-11T17:32:25Z)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• Quantum Vulnerability Analysis to Accurate Estimate the Quantum Algorithm Success Rate [21.46259138110464]
  量子コンピュータは、完全には理解されていない計算中にノイズに悩まされる。 本稿では,量子アプリケーションにおけるエラーの影響を定量化する量子脆弱性解析(QVA)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T02:51:16Z)
• Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
  本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。 特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
  論文  参考訳（メタデータ） (2021-12-27T21:15:35Z)
• Randomized compiling for scalable quantum computing on a noisy superconducting quantum processor [0.0]
  コヒーレントエラーは予測不可能な方法で量子アルゴリズムの性能を制限する。 ランダム化ベンチマークと関連するプロトコルによって測定された平均誤差率は、コヒーレントエラーの完全な影響には敏感ではない。 この結果から,現代の雑音量子プロセッサの性能を生かし,予測するためにランダム化コンパイルが利用可能であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-01T06:52:45Z)

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。