論文の概要: Fundamental questions on robustness and accuracy for classical and quantum learning algorithms

• arxiv url: http://arxiv.org/abs/2602.15079v1
• Date: Mon, 16 Feb 2026 08:12:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.858861
• Title: Fundamental questions on robustness and accuracy for classical and quantum learning algorithms
• Title（参考訳）: 古典的および量子的学習アルゴリズムの堅牢性と精度に関する基礎的疑問
• Authors: Nana Liu,
• Abstract要約: 第1章は、古典的および量子的分類アルゴリズムにおける精度と堅牢性の関係に関する基本的な疑問を紹介し、調査する。 本研究は, 耐震性, 耐震性, 耐震性, 耐震性, 耐震性など, 頑健性, 精度の様々な定義を明らかにする。 不整合性ノイズ、対向量子摂動、自由ランチ定理など、これらの結果がもたらす意味を考察し、力学系のレンズからこれらの問題を調べるための今後の方法を提案する。
• 参考スコア（独自算出の注目度）: 0.524563303290099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This chapter introduces and investigates some fundamental questions on the relationship between accuracy and robustness in both classical and quantum classification algorithms under noisy and adversarial conditions. We introduce and clarify various definitions of robustness and accuracy, including corrupted-instance robustness accuracy and prediction-change robustness, distinguishing them from conventional accuracy and robustness measures. Through theoretical analysis and toy models, we establish conditions under which trade-offs between accuracy and robustness accuracy arise and identify scenarios where such trade-offs can be avoided. The framework developed highlights the nuanced interplay between model bias, noise characteristics, and perturbation types, including relevant and irrelevant perturbations. We explore the implications of some of these results for incompatible noise, adversarial quantum perturbations, the no free lunch theorem, and suggest future methods to examine these problems from the lens of dynamical systems.
• Abstract（参考訳）: この章では、ノイズ条件と逆条件下での古典的分類アルゴリズムと量子的分類アルゴリズムの精度とロバスト性の関係について、いくつかの基本的な疑問を紹介し、研究する。 本稿では, 従来の精度とロバスト性対策とを区別し, 破損したインスタンスのロバスト性精度や予測-変化ロバスト性など, 各種のロバスト性と精度の定義を導入し, 明らかにする。 理論的解析と玩具モデルにより、精度と堅牢性の間のトレードオフが発生する条件を確立し、そのようなトレードオフを回避できるシナリオを特定する。 このフレームワークは、モデルバイアス、ノイズ特性、摂動タイプ間の微妙な相互作用を強調し、関連するおよび無関係な摂動を含む。 不整合性ノイズ、対向量子摂動、自由ランチ定理など、これらの結果がもたらす意味を考察し、力学系のレンズからこれらの問題を調べるための今後の方法を提案する。

関連論文リスト

• Towards Uncertainty Quantification in Generative Model Learning [3.498371632913735]
  生成モデル学習における不確実性定量化の問題を定式化する。 合成データセットに関する予備実験は、集計精度-リコール曲線の有効性を示す。
  論文  参考訳（メタデータ） (2025-11-13T09:01:12Z)
• On the Correlation between Individual Fairness and Predictive Accuracy in Probabilistic Models [42.25718513969163]
  個人的特徴の摂動に対する後部推論の頑健さを解析し, 生成確率的分類器の個性について検討した。 我々は、ロバスト性と予測精度の相関関係を仮説し、特に、よりロバスト性が高いインスタンスを正確に分類する傾向にある。
  論文  参考訳（メタデータ） (2025-09-16T15:17:13Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• Stochasticity in Motion: An Information-Theoretic Approach to Trajectory Prediction [9.365269316773219]
  本稿では、軌道予測における不確実性モデリングの課題を全体論的アプローチで解決する。 情報理論を基礎とした本手法は,不確実性を測定する理論的に原理化された方法を提供する。 従来の作業とは異なり、我々のアプローチは最先端のモーション予測器と互換性があり、より広い適用性を実現している。
  論文  参考訳（メタデータ） (2024-10-02T15:02:32Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Introduction and Exemplars of Uncertainty Decomposition [3.0349501539299686]
  不確実性は、機械学習分野において重要な役割を果たす。 本報告は,2種類の不確かさといくつかの分解例を紹介することによって,不確実性分解の概念を確定することを目的としている。
  論文  参考訳（メタデータ） (2022-11-17T17:14:34Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• Optimal Provable Robustness of Quantum Classification via Quantum Hypothesis Testing [14.684867444153625]
  量子機械学習モデルには、従来のモデルに比べてスピードアップと予測精度が向上する可能性がある。 これらの量子アルゴリズムは、古典的なアルゴリズムと同様に、入力摂動に弱いことが示されている。 これらは、ノイズの多い実装か、最悪のタイプのノイズとして、敵攻撃から生じる可能性がある。
  論文  参考訳（メタデータ） (2020-09-21T17:55:28Z)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)

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。