論文の概要: Quantum-Compatible Dictionary Learning via Doubly Sparse Models

• arxiv url: http://arxiv.org/abs/2601.07210v1
• Date: Mon, 12 Jan 2026 05:03:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.221136
• Title: Quantum-Compatible Dictionary Learning via Doubly Sparse Models
• Title（参考訳）: 二重スパースモデルによる量子互換辞書学習
• Authors: Angshul Majumdar,
• Abstract要約: 辞書学習のための単純でハイブリッドな量子古典的アルゴリズムを提案する。 目標は指数的なスピードアップを主張するのではなく、短期量子デバイスの現実性を備えた辞書学習を実現することである。
• 参考スコア（独自算出の注目度）: 11.62669179647184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dictionary learning (DL) is a core tool in signal processing and machine learning for discovering sparse representations of data. In contrast with classical successes, there is currently no practical quantum dictionary learning algorithm. We argue that this absence stems from structural mismatches between classical DL formulations and the operational constraints of quantum computing. We identify the fundamental bottlenecks that prevent efficient quantum realization of classical DL and show how a structurally restricted model, doubly sparse dictionary learning (DSDL), naturally avoids these problems. We present a simple, hybrid quantum-classical algorithm based on projection-based randomized Kaczmarz iterations with Qiskit-compatible quantum inner products. We outline practical considerations and share an open-source implementation at https://github.com/AngshulMajumdar/quantum-dsdl-kaczmarz. The goal is not to claim exponential speedups, but to realign dictionary learning with the realities of near-term quantum devices.
• Abstract（参考訳）: 辞書学習(DL)は、データのスパース表現を発見するための信号処理と機械学習のコアツールである。 古典的な成功とは対照的に、現在では実用的な量子辞書学習アルゴリズムはない。 この欠如は、古典的なDL定式化と量子コンピューティングの運用上の制約の間の構造的ミスマッチに起因すると我々は主張する。 古典的なDLの効率的な量子化を防止するための基本的なボトルネックを特定し、構造的に制限されたモデル、二重スパース辞書学習(DSDL)がこれらの問題を自然に回避していることを示す。 本稿では,Qiskit互換の量子内積を用いた投影型ランダム化Kaczmarz反復に基づく,単純でハイブリッドな量子古典的アルゴリズムを提案する。 実践的な考察を概説し、https://github.com/AngshulMajumdar/quantum-dsdl-kaczmarzでオープンソース実装を共有します。 目標は指数的なスピードアップを主張するのではなく、短期量子デバイスの現実性を備えた辞書学習を実現することである。

関連論文リスト

• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• 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)
• Hybrid Quantum-Classical Machine Learning with String Diagrams [49.1574468325115]
  本稿では,文字列ダイアグラムの観点からハイブリッドアルゴリズムを記述するための公式なフレームワークを開発する。 弦図の特筆すべき特徴は、量子古典的インタフェースに対応する関手ボックスの使用である。
  論文  参考訳（メタデータ） (2024-07-04T06:37:16Z)
• 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)
• Near-Term Advances in Quantum Natural Language Processing [0.03298597939573778]
  本稿では,自然言語処理におけるいくつかのタスクが,量子コンピュータを用いてすでに実行可能であることを示す実験について述べる。 1つ目は、単語トピックのスコアリング重みを個々のキュービットの分数回転として実装する、明示的な単語ベースのアプローチである。 制御NOTゲートを絡み合わせることで、これらの重みの蓄積に基づいて、新しいフレーズを分類する。
  論文  参考訳（メタデータ） (2022-06-05T13:10:46Z)
• 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 variational learning for entanglement witnessing [0.0]
  この研究は量子アルゴリズムの潜在的な実装に焦点を当て、$n$ qubitsの単一レジスタ上で定義された量子状態を適切に分類することができる。 我々は「絡み合いの証人」という概念、すなわち、特定の特定の状態が絡み合うものとして識別できる期待値を持つ演算子を利用する。 我々は,量子ニューラルネットワーク(QNN)を用いて,絡み合いの目撃者の行動を再現する方法をうまく学習した。
  論文  参考訳（メタデータ） (2022-05-20T20:14:28Z)
• Quantum Semi-Supervised Kernel Learning [4.726777092009554]
  本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。 完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
  論文  参考訳（メタデータ） (2022-04-22T13:39:55Z)
• A rigorous and robust quantum speed-up in supervised machine learning [6.402634424631123]
  本稿では,汎用量子学習アルゴリズムを用いて,教師付き分類のための厳密な量子スピードアップを確立する。 我々の量子分類器は、フォールトトレラント量子コンピュータを用いてカーネル関数を推定する従来のサポートベクトルマシンである。
  論文  参考訳（メタデータ） (2020-10-05T17:22:22Z)
• Quantum embeddings for machine learning [5.16230883032882]
  量子分類器は、機械学習モデルとして使用されるトレーニング可能な量子回路である。 我々は、ヒルベルト空間におけるデータクラスを最大限に分離することを目的として、回路の最初の部分(埋め込み)を訓練することを提案する。 このアプローチは量子機械学習のための強力な分析フレームワークを提供する。
  論文  参考訳（メタデータ） (2020-01-10T19:00:01Z)

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。