論文の概要: Mitigating Frequency Learning Bias in Quantum Models via Multi-Stage Residual Learning

• arxiv url: http://arxiv.org/abs/2603.10083v1
• Date: Tue, 10 Mar 2026 11:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.620354
• Title: Mitigating Frequency Learning Bias in Quantum Models via Multi-Stage Residual Learning
• Title（参考訳）: 多段階残差学習による量子モデルにおける周波数学習バイアスの緩和
• Authors: Ammar Daskin,
• Abstract要約: 量子機械学習モデルは、しばしば複数の周波数成分を持つ関数を学習するのに苦労する。 多段階残差学習のアイデアを量子領域に適応させ、前段残差に対する追加の量子モジュールを反復的に訓練する。 我々の研究は量子モデルのスペクトル表現性を高めるための実践的な枠組みを提供する。
• 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: Quantum machine learning models based on parameterized circuits can be viewed as Fourier series approximators. However, they often struggle to learn functions with multiple frequency components, particularly high-frequency or non-dominant ones; a phenomenon we term the quantum Fourier parameterization bias. Inspired by recent advances in classical Fourier neural operators (FNOs), we adapt the multi-stage residual learning idea to the quantum domain, iteratively training additional quantum modules on the residuals of previous stages. We evaluate our method on a synthetic benchmark composed of spatially localized frequency components with diverse envelope shapes (Gaussian, Lorentzian, triangular). Systematic experiments show that the number of qubits, the encoding scheme, and residual learning are all crucial for resolving multiple frequencies; residual learning alone can improve test MSE significantly over a single-stage baseline trained for the same total number of epochs. Our work provides a practical framework for enhancing the spectral expressivity of quantum models and offers new insights into their frequency-learning behavior.
• Abstract（参考訳）: パラメータ化回路に基づく量子機械学習モデルはフーリエ級数近似器とみなすことができる。 しかし、複数の周波数成分、特に高周波や非支配的な成分を持つ関数を学ぶのに苦労することが多く、これは量子フーリエパラメータ化バイアス(quantum Fourier parameterization bias)と呼ばれる現象である。 古典的フーリエニューラル作用素(FNO)の最近の進歩に触発されて、我々は多段階残差学習のアイデアを量子領域に適応させ、前段階残差に対する追加量子モジュールを反復的に訓練する。 本研究では,空間的局所化周波数成分を多彩な包絡形状(ガウス,ローレンツ,三角形)で合成したベンチマークを用いて評価した。 体系的な実験により、複数の周波数を解くためには、量子ビット数、符号化方式、残差学習が不可欠であることが示され、残差学習だけでは、同じエポックの総数で訓練された単一ステージベースラインに対して、MSEを著しく改善することができる。 我々の研究は、量子モデルのスペクトル表現性を高めるための実践的なフレームワークを提供し、それらの周波数学習行動に関する新しい洞察を提供する。

関連論文リスト

• A Unified Frequency Principle for Quantum and Classical Machine Learning [9.529771617722703]
  本稿では、量子ニューラルネットワークのトレーニング力学を特徴付ける周波数原理(F-principle)の統一理論フレームワークを提案する。 この枠組みでは、量子ニューラルネットワークがターゲット関数の低周波成分の学習に対してスペクトルバイアスを示すことを示す。 本研究は,古典的および量子的学習のダイナミクスを統一し,学習性形成におけるノイズの役割を明らかにするとともに,雑音耐性量子ニューラルネットワークの設計を導くための周波数領域レンズを提供する。
  論文  参考訳（メタデータ） (2026-01-06T16:44:22Z)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• 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)
• Non-perturbative switching rates in bistable open quantum systems: from driven Kerr oscillators to dissipative cat qubits [72.41778531863143]
  単一モードバイスタブルオープン量子系におけるスイッチング率の予測にはパス積分手法を用いる。 本研究は,マルチ安定な単体および多体オープン量子系におけるスイッチング現象を探索するための新たな道を開く。
  論文  参考訳（メタデータ） (2025-07-24T18:01:36Z)
• Spectral Bias in Variational Quantum Machine Learning [0.0]
  パラメータ化量子回路(PQC)における特殊効果について検討する。 トレーニング中のフーリエ係数の勾配の大きさは、係数の冗長性と強く相関している。 また, 冗長性が高いPQCは, 対応する周波数におけるパラメータのランダムな摂動に対して頑健性を示した。
  論文  参考訳（メタデータ） (2025-06-27T18:11:54Z)
• Frequency principle for quantum machine learning via Fourier analysis [0.6138671548064356]
  本稿では、主周波数範囲内の周波数を優先的に訓練するパラメータ化量子回路の周波数原理を提案する。 我々の研究は、トレーニングプロセスから量子的優位性を理解するための新しい道のりを示唆している。
  論文  参考訳（メタデータ） (2024-09-10T17:49:09Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$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)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)

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。