論文の概要: Margin-Based Generalisation Bounds for Quantum Kernel Methods under Local Depolarising Noise

• arxiv url: http://arxiv.org/abs/2601.23084v1
• Date: Fri, 30 Jan 2026 15:31:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.528755
• Title: Margin-Based Generalisation Bounds for Quantum Kernel Methods under Local Depolarising Noise
• Title（参考訳）: 局所脱分極雑音下における量子カーネル法のマージンベース一般化境界
• Authors: Saarisha Govender, Ilya Sinayskiy,
• Abstract要約: 現在のノイズ中間量子(NISQ)時代の量子デバイスは本質的にノイズの影響を受けており、一般化性能は低下している。 局所偏極雑音下での量子カーネル支援ベクトルマシン(QSVM)の高次および低次マージンベース一般化バウンダリを導出する。 これらの理論的境界はノイズによるマージン崩壊を特徴づけ、複数のデータセットにわたる数値シミュレーションや実際の量子ハードウェアの実験を通じて検証される。
• 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: Generalisation refers to the ability of a machine learning (ML) model to successfully apply patterns learned from training data to new, unseen data. Quantum devices in the current Noisy Intermediate-Scale Quantum (NISQ) era are inherently affected by noise, which degrades generalisation performance. In this work, we derive upper and lower margin-based generalisation bounds for Quantum Kernel-Assisted Support Vector Machines (QSVMs) under local depolarising noise. These theoretical bounds characterise noise-induced margin decay and are validated via numerical simulations across multiple datasets, as well as experiments on real quantum hardware. We further justify the focus on margin-based measures by empirically establishing margins as a reliable indicator of generalisation performance for QSVMs. Additionally, we motivate the study of local depolarising noise by presenting empirical evidence demonstrating that the commonly used global depolarising noise model is overly optimistic and fails to accurately capture the degradation of generalisation performance observed in the NISQ era.
• Abstract（参考訳）: 一般化とは、機械学習(ML)モデルによって、トレーニングデータから学んだパターンを、新しい、目に見えないデータに適用する能力である。 現在のノイズ中間量子(NISQ)時代の量子デバイスは本質的にノイズの影響を受けており、一般化性能は低下している。 本研究では,局所偏極雑音下での量子カーネル支援ベクトルマシン(QSVM)の高次および低次マージンベース一般化バウンダリを導出する。 これらの理論的境界はノイズによるマージン崩壊を特徴づけ、複数のデータセットにわたる数値シミュレーションや実際の量子ハードウェアの実験を通じて検証される。 さらに,QSVMの一般化性能の信頼性指標として,マージンを実証的に確立することで,マージンに基づく尺度の焦点を正当化する。 さらに,NISQ時代の一般化性能の劣化を正確に把握できず,大域的偏極雑音モデルが過度に楽観的であることを示す実証的証拠を提示し,局所偏極雑音の研究を動機付けている。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Fault-tolerant quantum computation with constant overhead for general noise [8.49301882142233]
  一般雑音モデルの下では, 一定の量子ビットオーバヘッドでフォールトトレラント量子計算が実現可能であることを示す。 一般回路雑音下での論理ゲートの実装法として,フォールトトレラントな誤り訂正手法を開発した。
  論文  参考訳（メタデータ） (2025-12-02T13:41:25Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• Non-Markovian Noise Mitigation: Practical Implementation, Error Analysis, and the Role of Environment Spectral Properties [5.2817683527115555]
  非マルコフ雑音に対するQEMフレームワークにおける確率的誤差キャンセル(PEC)法を拡張して非マルコフ雑音除去(NMNM)法を提案する。 我々は,QEMの全体近似誤差とサンプリングオーバーヘッドと環境のスペクトル特性との直接接続を確立する。
  論文  参考訳（メタデータ） (2025-01-09T07:22:06Z)
• 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)
• Dynamical quantum maps for single-qubit gates under universal non-Markovian noise [0.0]
  量子デバイスにおけるノイズはユビキタスであり、精度が必要な設定では一般的に有害である。 ここでは、単一実験入力のみを必要とする単一キュービットゲートに対して、コンパクトな顕微鏡誤差モデルを導出する。 ランダム化ベンチマークを用いて測定し,量子プロセストモグラフィーを用いて再構成した平均ゲート誤差の実験的推定は,解析的推定値によって厳しく下界していることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T13:24:03Z)
• Feature Noise Boosts DNN Generalization under Label Noise [65.36889005555669]
  トレーニングデータにおけるラベルノイズの存在は、ディープニューラルネットワーク(DNN)の一般化に大きな影響を与える 本研究では,学習データの特徴に直接ノイズを付加する単純な特徴雑音法を,理論的に導入し,理論的に実証する。
  論文  参考訳（メタデータ） (2023-08-03T08:31:31Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Noisy Recurrent Neural Networks [45.94390701863504]
  入力データによって駆動される微分方程式の離散化として,隠れ状態に雑音を注入することによって訓練されたリカレントニューラルネットワーク(RNN)について検討する。 合理的な仮定の下では、この暗黙の正則化はより平坦なミニマムを促進し、より安定な力学を持つモデルに偏りを呈し、分類タスクではより大きな分類マージンを持つモデルを好む。 本理論は, 各種入力摂動に対するロバスト性の向上と, 最先端性能の維持を両立させる実証実験により支持された。
  論文  参考訳（メタデータ） (2021-02-09T15:20:50Z)

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。