論文の概要: Encoding Numerical Data for Generative Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2603.23407v1
• Date: Tue, 24 Mar 2026 16:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.58948
• Title: Encoding Numerical Data for Generative Quantum Machine Learning
• Title（参考訳）: 生成量子機械学習のための数値データを符号化する
• Authors: Michael Krebsbach, Florentin Reiter, Thomas Wellens, Hagen-Henrik Kowalski, Ali Abedi,
• Abstract要約: 実世界のデータは、しばしば数値であり、モデルがバイナリと連続表現を変換する必要がある。 我々は、データそのものとは無関係に、データのエンコード方法のアーチファクトである相関を学習するためにモデルが必要であることを示した。 本稿では,基本的にオーバーヘッドを伴わずに実装可能なグレイコードに基づく戦略を提案し,データ構造を保存し,標準アプローチが生成する状況において,人工的相関を回避する。
• 参考スコア（独自算出の注目度）: 0.820994582033002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative quantum machine learning models are trained to deduce the probability distribution underlying a given dataset, and to produce new, synthetic samples from it. The majority of such models proposed in the literature, like the Quantum Circuit Born Machine (QCBM), fundamentally work on a binary level. Real-world data, however, is often numeric, requiring the models to translate between binary and continuous representations. We analyze how this transition influences the performance of quantum models and show that it requires the models to learn correlations that are solely an artifact of the way the data is encoded, and not related to the data itself. At the same time, structure of the original data can be obscured in the binary representation, hindering generalization. To mitigate these effects, we propose a strategy based on Gray-codes that can be implemented with essentially no overhead, conserves structures in the data, and avoids artificial correlations in situations in which the standard approach creates them. Considering datasets drawn from various one-dimensional probability distributions, we verify that, in most cases, QCBMs using the reflected Gray code learn faster and more accurately than those with standard binary code.
• Abstract（参考訳）: 生成量子機械学習モデルは、与えられたデータセットの下の確率分布を推定し、そこから新しい合成サンプルを生成するために訓練される。 このようなモデルのほとんどは、量子回路ボルンマシン(QCBM)のような文献で提案されており、基本的にバイナリレベルで動作する。 しかし、実世界のデータはしばしば数値であり、モデルがバイナリと連続的な表現を変換する必要がある。 我々は、この遷移が量子モデルの性能にどのように影響するかを分析し、データ自体とは関係なく、データのエンコード方法のアーチファクトである相関を学習する必要があることを示す。 同時に、元のデータの構造をバイナリ表現に隠蔽することができ、一般化を妨げる。 これらの効果を緩和するために、基本的にオーバーヘッドを伴わずに実装可能なグレイコードに基づく戦略を提案し、標準アプローチがそれらを生成する状況において、データの構造を保存し、人工的相関を回避する。 様々な1次元確率分布から得られたデータセットを考慮すると、ほとんどの場合、反射グレイ符号を用いたQCBMは標準バイナリ符号よりも高速かつ正確に学習できることが検証される。

関連論文リスト

• Bit-bit encoding, optimizer-free training and sub-net initialization: techniques for scalable quantum machine learning [0.0]
  入力と出力の両方をバイナリ文字列としてエンコードする量子分類器を提案する。 1つのパラメータが一度に更新されると、局所的な最小値への収束を保証する方法で量子モデルを訓練できることが示される。
  論文  参考訳（メタデータ） (2025-01-04T00:35:14Z)
• Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
  GMLM(Generative Masked Language Models)に焦点を当てる。 我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。 我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
  論文  参考訳（メタデータ） (2024-07-22T18:00:00Z)
• Exponential Quantum Communication Advantage in Distributed Inference and Learning [19.827903766111987]
  本稿では,量子ネットワーク上で分散計算を行うフレームワークを提案する。 このフレームワーク内のモデルでは、指数的に少ない通信で勾配勾配を用いた推論と訓練を行うことができることを示す。 また、このクラスのモデルが入力の高非線形特徴を符号化できることを示し、その表現性はモデル深度とともに指数関数的に増加することを示した。
  論文  参考訳（メタデータ） (2023-10-11T02:19:50Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• PEOPL: Characterizing Privately Encoded Open Datasets with Public Labels [59.66777287810985]
  プライバシとユーティリティのための情報理論スコアを導入し、不誠実なユーザの平均パフォーマンスを定量化する。 次に、ランダムなディープニューラルネットワークの使用を動機付ける符号化スキームのファミリーを構築する際のプリミティブを理論的に特徴づける。
  論文  参考訳（メタデータ） (2023-03-31T18:03:53Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)

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。