論文の概要: Machine Unlearning in the Era of Quantum Machine Learning: An Empirical Study

• arxiv url: http://arxiv.org/abs/2512.19253v1
• Date: Mon, 22 Dec 2025 10:40:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.717118
• Title: Machine Unlearning in the Era of Quantum Machine Learning: An Empirical Study
• Title（参考訳）: 量子機械学習時代の機械学習 : 実証的研究
• Authors: Carla Crivoi, Radu Tudor Ionescu,
• Abstract要約: 本稿では,ハイブリッド量子古典ニューラルネットワークにおける機械学習(MU)の総合的研究について紹介する。 我々は、勾配に基づく、蒸留に基づく、正規化に基づく、認定された技術を含む、幅広い未学習の手法を量子設定に適用する。 量子モデルは効果的なアンラーニングを支援することができるが、結果は回路深さ、絡み合い構造、タスクの複雑さに強く依存する。
• 参考スコア（独自算出の注目度）: 22.101976874889147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the first comprehensive empirical study of machine unlearning (MU) in hybrid quantum-classical neural networks. While MU has been extensively explored in classical deep learning, its behavior within variational quantum circuits (VQCs) and quantum-augmented architectures remains largely unexplored. First, we adapt a broad suite of unlearning methods to quantum settings, including gradient-based, distillation-based, regularization-based and certified techniques. Second, we introduce two new unlearning strategies tailored to hybrid models. Experiments across Iris, MNIST, and Fashion-MNIST, under both subset removal and full-class deletion, reveal that quantum models can support effective unlearning, but outcomes depend strongly on circuit depth, entanglement structure, and task complexity. Shallow VQCs display high intrinsic stability with minimal memorization, whereas deeper hybrid models exhibit stronger trade-offs between utility, forgetting strength, and alignment with retrain oracle. We find that certain methods, e.g. EU-k, LCA, and Certified Unlearning, consistently provide the best balance across metrics. These findings establish baseline empirical insights into quantum machine unlearning and highlight the need for quantum-aware algorithms and theoretical guarantees, as quantum machine learning systems continue to expand in scale and capability. We publicly release our code at: https://github.com/CrivoiCarla/HQML.
• Abstract（参考訳）: 本稿では,ハイブリッド量子古典ニューラルネットワークにおける機械学習(MU)の総合的研究について紹介する。 MUは古典的な深層学習において広く研究されてきたが、変分量子回路(VQC)や量子増分アーキテクチャ(quantum-augmented architectures)におけるその挙動はほとんど解明されていない。 まず、勾配に基づく、蒸留に基づく、正規化に基づく、認定された技術を含む、幅広い未学習の手法を量子設定に適用する。 第二に、ハイブリッドモデルに適した2つの新しいアンラーニング戦略を導入する。 Iris(英語版)、MNIST(英語版)、Fashion-MNIST(英語版)にまたがる実験は、サブセット除去とフルクラス削除の両方の下で、量子モデルが効果的なアンラーニングをサポートできることを明らかにしたが、結果は回路深さ、絡み合い構造、タスク複雑性に強く依存している。 浅層VQCは暗記を最小限に抑えながら本質的な安定性を示す一方、より深いハイブリッドモデルは実用性、強さの忘れ方、および再訓練オラクルとの整合性の間のトレードオフを強く示している。 例えば、EU-k、LCA、Certified Unlearningといったメソッドが、メトリクス間で最高のバランスを提供しています。 これらの発見は、量子マシンのアンラーニングに関する基礎的な経験的洞察を確立し、量子機械学習システムがスケールと能力を拡大し続けており、量子認識アルゴリズムと理論的保証の必要性を強調している。 コードについては、https://github.com/CrivoiCarla/HQML.comで公開しています。

関連論文リスト

• A Primer on Quantum Machine Learning [0.0]
  量子機械学習(Quantum Machine Learning, QML)は、量子力学のリソースを応用して学習問題を解決するための計算パラダイムである。 我々は、実用性と保証、アクセスモデルとスピードアップ、古典的なベースラインの間のフィールドの緊張関係について概説する。 我々はQMLのランドスケープのフレンドリーなマップを提供することを目標とし、読者がいつ、そしてどの仮定量子アプローチが真に利益をもたらすかを判断できるようにする。
  論文  参考訳（メタデータ） (2025-11-20T01:47:21Z)
• Entanglement and Classical Simulability in Quantum Extreme Learning Machines [0.0]
  本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。 我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。 この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
  論文  参考訳（メタデータ） (2025-09-08T16:43:37Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Harnessing Quantum Dynamics for Robust and Scalable Quantum Extreme Learning Machines [0.9546137427039093]
  テンソルネットワーク法が量子系を効率的にシミュレートし, エンタングルメントを制御し, 指数集中を緩和する方法を示す。 この結果から,量子力学の正確なシミュレーションは強力な機械学習性能には必要ないことが示唆された。
  論文  参考訳（メタデータ） (2025-03-07T16:03:24Z)
• 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)
• Expressive Quantum Supervised Machine Learning using Kerr-nonlinear Parametric Oscillators [0.0]
  変分量子アルゴリズム(VQA)を用いた量子機械学習は、ノイズのある中間スケール量子(NISQ)時代の実用的なアルゴリズムとして積極的に研究されている。 近年の研究では、古典的なデータを量子回路に繰り返しエンコードするデータ再アップロードが、表現力のある量子機械学習モデルを得るために必要であることが示されている。 我々は、Kerrnon Parametric Hilberts (KPO) を別の有望な量子コンピューティングデバイスとして用いて量子機械学習を提案する。
  論文  参考訳（メタデータ） (2023-05-01T07:01:45Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。