論文の概要: End-to-end Optimization of Single-Shot Quantum Machine Learning for Bayesian Inference

• arxiv url: http://arxiv.org/abs/2512.20492v1
• Date: Tue, 23 Dec 2025 16:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.937852
• Title: End-to-end Optimization of Single-Shot Quantum Machine Learning for Bayesian Inference
• Title（参考訳）: ベイズ推論のための単一ショット量子機械学習のエンドツーエンド最適化
• Authors: Theodoros Ilias, Fangjun Hu, Marti Vives, Hakan E. Türeci,
• Abstract要約: 本稿では,量子機械学習のエンド・ツー・エンド最適化手法を提案する。 ハイブリッドアルゴリズムは、32量子ビットを用いて、-20dBベイズ限界の1dB以内の単発リスクを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce an end-to-end optimization strategy for quantum machine learning that directly targets performance under finite measurement resources, where learning objectives are defined directly at the level of task performance. The method is applied on a Bayesian quantum metrology task since it provides a natural testbed with known fundamental limits and scaling with system size. The sampling-aware hybrid algorithm achieves a single-shot risk within 1 dB of the -20 dB Bayesian limit using 32 qubits. We extend the Bayesian framework from parameter estimation to global function inference, where the task is to infer a target function of the sensor input drawn from an arbitrary prior, and we demonstrate a clear computational-sensing advantage for direct functional inference over indirect reconstruction. We relate the corresponding Bayesian risk to the Capacity metric and argue that the Resolvable Expressive Capacity provides a natural measure of the space of functions accessible in a single shot. The resulting eigentask analysis identifies noise-robust feature combinations that yield compact estimators with improved accuracy and reduced optimization cost in resource-limited or real-time on-device settings.
• Abstract（参考訳）: 本稿では,有限な測定資源下での性能を直接目標とする量子機械学習のエンドツーエンド最適化戦略を紹介し,タスク性能のレベルで学習目標を直接定義する。 この方法は、既知の基本的な制限とシステムサイズによるスケーリングを備えた自然なテストベッドを提供するため、ベイズ量子メトロジータスクに適用される。 サンプリング対応ハイブリッドアルゴリズムは、32量子ビットを用いて、-20dBベイズ限界の1dB以内の単発リスクを達成する。 我々はベイズフレームワークをパラメータ推定から大域関数推論に拡張し、任意の事前から引き出されたセンサ入力のターゲット関数を推論し、間接的再構成よりも直接関数推論に対する明確な計算感覚の利点を示す。 我々は、対応するベイズリスクをキャパシティ計量に関連付け、Resolvable Expressive Capacityは単一ショットでアクセス可能な関数の空間の自然な測度を提供すると主張する。 得られた固有タスク解析により、リソース制限またはリアルタイムオンデバイス設定において、精度の向上と最適化コストの低減でコンパクトな推定器が得られるノイズロス特性の組み合わせが特定される。

関連論文リスト

• Operator-aware shadow importance sampling for accurate fidelity estimation [8.212934913387384]
  グループベースのDFEは、小さなシステムでは高い精度を達成するが、指数スケーリングに苦しむ。 我々のアルゴリズムは、Haar-random状態のグルーピングに基づくアルゴリズムを改善する。 GHZやW状態などの構造化状態に対しては,従来のグループ化手法の指数メモリ要求を除去する。
  論文  参考訳（メタデータ） (2025-11-03T14:09:31Z)
• Computationally Efficient RL under Linear Bellman Completeness for Deterministic Dynamics [39.07258580928359]
  線形ベルマン完全設定に対する計算的および統計的に効率的な強化学習アルゴリズムについて検討する。 この設定では線形関数近似を用いて値関数をキャプチャし、線形マルコフ決定プロセス(MDP)や線形二次レギュレータ(LQR)のような既存のモデルを統一する。 我々の研究は、線形ベルマン完全設定のための計算効率の良いアルゴリズムを提供し、大きなアクション空間、ランダムな初期状態、ランダムな報酬を持つMDPに対して機能するが、決定論的となる基礎となる力学に依存している。
  論文  参考訳（メタデータ） (2024-06-17T17:52:38Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Scalable Bayesian Meta-Learning through Generalized Implicit Gradients [64.21628447579772]
  Inlicit Bayesian Meta-learning (iBaML) 法は、学習可能な事前のスコープを広げるだけでなく、関連する不確実性も定量化する。 解析誤差境界は、明示的よりも一般化された暗黙的勾配の精度と効率を示すために確立される。
  論文  参考訳（メタデータ） (2023-03-31T02:10:30Z)
• A Learning-Based Optimal Uncertainty Quantification Method and Its Application to Ballistic Impact Problems [1.713291434132985]
  本稿では、入力(または事前)測度が部分的に不完全であるシステムに対する最適(最大および無限)不確実性境界について述べる。 本研究では,不確実性最適化問題に対する学習基盤の枠組みを実証する。 本手法は,工学的実践における性能証明と安全性のためのマップ構築に有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-28T14:30:53Z)
• Trusted-Maximizers Entropy Search for Efficient Bayesian Optimization [39.824086260578646]
  本稿では,信頼度最大化エントロピー探索(TES)取得関数を提案する。 インプットがクエリの情報ゲインにどの程度貢献するかを、信頼された最大値の有限セット上で測定する。
  論文  参考訳（メタデータ） (2021-07-30T07:25:07Z)

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。