論文の概要: Machine learning with minimal use of quantum computers: Provable advantages in Learning Under Quantum Privileged Information (LUQPI)

• arxiv url: http://arxiv.org/abs/2601.22006v1
• Date: Thu, 29 Jan 2026 17:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.033003
• Title: Machine learning with minimal use of quantum computers: Provable advantages in Learning Under Quantum Privileged Information (LUQPI)
• Title（参考訳）: 量子コンピュータを最小限に使用した機械学習:量子プリビレゲード情報(LUQPI)の学習における有益性
• Authors: Vasily Bokov, Lisa Kohl, Sebastian Schmitt, Vedran Dunjko,
• Abstract要約: 量子コンピュータは特徴抽出器としてのみ使用される。 このモデルは,プライヴィグド・インフォメーションに基づく学習の古典的枠組みを適用して形式化する。 このような最小限の量子特徴抽出であっても、トレーニング中にのみ利用可能であり、指数的な量子-古典的分離が得られることを示す。
• 参考スコア（独自算出の注目度）: 3.3882078618429348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) is often listed as a promising candidate for useful applications of quantum computers, in part due to numerous proofs of possible quantum advantages. A central question is how small a role quantum computers can play while still enabling provable learning advantages over classical methods. We study an especially restricted setting in which a quantum computer is used only as a feature extractor: it acts independently on individual data points, without access to labels or global dataset information, is available only to augment the training set, and is not available at deployment. Training and deployment are therefore carried out by fully classical learners on a dataset augmented with quantum-generated features. We formalize this model by adapting the classical framework of Learning Under Privileged Information (LUPI) to the quantum case, which we call Learning Under Quantum Privileged Information (LUQPI). Within this framework, we show that even such minimally involved quantum feature extraction, available only during training, can yield exponential quantum-classical separations for suitable concept classes and data distributions under reasonable computational assumptions. We further situate LUQPI within a taxonomy of related quantum and classical learning settings and show how standard classical machinery, most notably the SVM+ algorithm, can exploit quantum-augmented data. Finally, we present numerical experiments in a physically motivated many-body setting, where privileged quantum features are expectation values of observables on ground states, and observe consistent performance gains for LUQPI-style models over strong classical baselines.
• Abstract（参考訳）: 量子機械学習(QML)はしばしば、量子コンピュータの有用な応用の有望な候補として挙げられる。 中心的な問題は、量子コンピュータの役割がいかに小さいかであり、古典的な方法よりも証明可能な学習の優位性を実現している。 ラベルやグローバルデータセット情報にアクセスせずに、個々のデータポイントに独立して作用し、トレーニングセットを増強するためにのみ利用可能であり、デプロイ時に利用できない。 したがって、量子生成機能を備えたデータセット上で、完全に古典的な学習者によって訓練と展開が行われる。 本稿では,Learning Under Privileged Information (LUPI) の古典的な枠組みを,Learning Under Quantum Privileged Information (LUQPI) と呼ぶ量子ケースに適用することによって,このモデルを定式化する。 このフレームワーク内では、トレーニング中にのみ利用可能な、そのような最小限の量子特徴抽出でさえ、適切な概念クラスとデータ分布に対する指数的量子古典的分離を合理的な計算仮定の下で得ることを示す。 さらに、LUQPIを関連する量子および古典的な学習設定の分類域に配置し、標準の古典機械、特にSVM+アルゴリズムが量子拡張データをどのように活用できるかを示す。 最後に, 物理的に動機づけられた多体状態において, 量子的特性が観測可能物の期待値であり, LUQPI型モデルに対して, 強い古典的ベースライン上での一貫した性能向上を観測する数値実験を行った。

関連論文リスト

• 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)
• Exponential quantum advantages in learning quantum observables from classical data [1.9662978733004604]
  我々は、古典的なデータから量子オブザーバブルを学習する物理的に関係のあるタスクに対して、量子上の利点を証明している。 我々の結果は、量子多体物理学の領域における機械学習問題に対する量子コンピュータの実用性に光を当てた。
  論文  参考訳（メタデータ） (2024-05-03T11:58:43Z)
• Information-theoretic generalization bounds for learning from quantum data [5.0739329301140845]
  古典量子データに基づくトレーニングにより量子学習を記述するための数学的定式化を提案する。 我々は,古典的および量子的情報理論量の観点から,量子学習者の期待する一般化誤差を証明した。 我々の研究は、量子学習に関する量子情報理論的な視点を統一するための基礎を築いた。
  論文  参考訳（メタデータ） (2023-11-09T17:21:38Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• 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)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• 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)

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。