Fugu-MT 論文翻訳(概要): Long Range Frequency Tuning for QML

論文の概要: Long Range Frequency Tuning for QML

arxiv url: http://arxiv.org/abs/2602.23409v1
Date: Thu, 26 Feb 2026 14:56:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 19:48:24.085616
Title: Long Range Frequency Tuning for QML
Title（参考訳）: QMLのための長距離周波数調整
Authors: Michael Poppel, Jonas Stein, Sebastian Wölckert, Markus Baumann, Claudia Linnhoff-Popien,
Abstract要約: トレーニング可能な周波数アプローチでは、ターゲットのスペクトルサイズに合わせるために理論的にこれを削減し、ターゲットのスペクトルの周波数と同じ数の符号化ゲートしか必要としない。勾配に基づく最適化は任意の目標値にプレファクタを誘導するが、訓練性は限定的であることを示す。 3次符号化を用いたグリッドベース初期化を提案し、高密度整数周波数スペクトルを生成する。
参考スコア（独自算出の注目度）: 2.34764060945577
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantum machine learning models using angle encoding naturally represent truncated Fourier series, providing universal function approximation capabilities with sufficient circuit depth. For unary fixed-frequency encodings, circuit depth scales as O(omega_max * (omega_max + epsilon^{-2})) with target frequency magnitude omega_max and precision epsilon. Trainable-frequency approaches theoretically reduce this to match the target spectrum size, requiring only as many encoding gates as frequencies in the target spectrum. Despite this compelling efficiency, their practical effectiveness hinges on a key assumption: that gradient-based optimization can drive prefactors to arbitrary target values. We demonstrate through systematic experiments that frequency prefactors exhibit limited trainability: movement is constrained to approximately +/-1 units with typical learning rates. When target frequencies lie outside this reachable range, optimization frequently fails. To overcome this frequency reachability limitation, we propose grid-based initialization using ternary encodings, which generate dense integer frequency spectra. While this approach requires O(log_3(omega_max)) encoding gates -- more than the theoretical optimum but exponentially fewer than fixed-frequency methods -- it ensures target frequencies lie within the locally reachable range. On synthetic targets with three shifted high frequencies, ternary grid initialization achieves a median R^2 score of 0.9969, compared to 0.1841 for the trainable-frequency baseline. For the real-world Flight Passengers dataset, ternary grid initialization achieves a median R^2 score of 0.9671, representing a 22.8% improvement over trainable-frequency initialization (median R^2 = 0.7876).
Abstract（参考訳）: 角符号化を用いた量子機械学習モデルは、自然にトランクされたフーリエ級数を表し、十分な回路深さを持つ普遍関数近似機能を提供する。一意的な固定周波数符号化では、回路深度はO(omega_max * (omega_max + epsilon^{-2})としてスケールし、ターゲット周波数等級はomega_max、精度はEpsilonである。トレーニング可能な周波数アプローチでは、ターゲットのスペクトルサイズに合わせるために理論的にこれを削減し、ターゲットのスペクトルの周波数と同じ数の符号化ゲートしか必要としない。勾配に基づく最適化は、プレファクターを任意の目標値に導くことができる。我々は,周波数プレファクタが学習能力に制限があることを示す系統的な実験を通して,運動は典型的学習率の約+/-1単位に制限されることを示した。目標周波数がこの到達範囲外にある場合、最適化はしばしば失敗する。この周波数到達可能性の限界を克服するため、三進符号化を用いたグリッドベース初期化を提案し、高密度整数周波数スペクトルを生成する。このアプローチではゲートを符号化するO(log_3(omega_max))が必要となるが、理論的に最適だが固定周波数法よりも指数関数的に少ないため、ターゲット周波数が局所的に到達可能な範囲内にあることが保証される。 3つのシフトした高周波の合成ターゲットにおいて、3次格子の初期化は、トレーニング可能な周波数ベースラインの0.1841に比べて、0.9969の中央値のR^2スコアを達成する。 3次グリッドの初期化はトレーニング可能な周波数の初期化よりも22.8%向上した(中間R^2 = 0.7876)。

関連論文リスト

Fast frequency reconstruction using Deep Learning for event recognition in ring laser data [0.0]
約10ミリ秒以内に数百ヘルツの周波数を再構成できるニューラルネットワーク手法を提案する。本手法は、GINGERINOの運用範囲における周波数推定精度を2倍に向上させ、標準フーリエ法より優れる。高速周波数推定に加えて,レーザ不安定性や地震イベントなどの信号の物理的乱れを識別する自動分類フレームワークを導入する。
論文参考訳（メタデータ） (2025-10-01T15:18:31Z)
Mitigating Exponential Mixed Frequency Growth through Frequency Selection [3.243345719637229]
アングル符号化は、古典的なデータを量子モデルに埋め込む機能マップ(FM)として人気がある。すべての関連する周波数が理論上アクセス可能である場合でも、トレーニングの失敗は起こり得ることを示す。パラメータ要求を減らすための実用的なソリューションとして周波数選択を導入する。
論文参考訳（メタデータ） (2025-08-14T11:10:07Z)
Wideband RF Radiance Field Modeling Using Frequency-embedded 3D Gaussian Splatting [28.147938573798367]
広帯域無線周波数(RF)放射場モデリングのための3次元ガウススプラッティング(3DGS)アルゴリズムを提案する。 6室内環境における1GHzから100GHzまでの50000サンプルを含む大規模電力角スペクトル(PAS)データセットを提案する。提案手法は, 平均構造類似度指標(SSIM)を最大0.72で達成し, 現在のSOTA法と比較して17.8%の大幅な改善を実現している。
論文参考訳（メタデータ） (2025-05-27T04:48:26Z)
Chirp Localization via Fine-Tuned Transformer Model: A Proof-of-Concept Study [0.23020018305241333]
脳波スペクトログラムのチャープ様パターンは発作ダイナミクスの鍵となるバイオマーカーである。本研究では、視覚変換器(ViT)モデルとローランド適応(LoRA)を微調整することで、このギャップを埋める。我々は、チャープパラメータを持つ10万のスペクトログラムを生成し、チャープローカライゼーションのための最初の大規模ベンチマークを作成した。
論文参考訳（メタデータ） (2025-03-24T14:27:07Z)
Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文参考訳（メタデータ） (2024-03-12T01:28:00Z)
Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文参考訳（メタデータ） (2022-11-26T01:56:05Z)
NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文参考訳（メタデータ） (2022-09-29T04:06:00Z)
FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文参考訳（メタデータ） (2021-03-08T03:09:37Z)
Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文参考訳（メタデータ） (2021-03-01T08:25:26Z)
The cost of universality: A comparative study of the overhead of state distillation and code switching with color codes [63.62764375279861]
回路雑音下での2次元カラーコードにおけるTゲートの2つのFT実装を比較した。コードスイッチングによりTゲートに対して0.07(1)%の回路ノイズ閾値を求める。
論文参考訳（メタデータ） (2021-01-06T19:00:01Z)

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。