論文の概要: Learning from imperfect quantum data via unsupervised domain adaptation with classical shadows

• arxiv url: http://arxiv.org/abs/2603.28294v1
• Date: Mon, 30 Mar 2026 11:20:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.353988
• Title: Learning from imperfect quantum data via unsupervised domain adaptation with classical shadows
• Title（参考訳）: 古典的影を用いた教師なし領域適応による不完全量子データからの学習
• Authors: Kosuke Ito, Akira Tanji, Hiroshi Yano, Yudai Suzuki, Naoki Yamamoto,
• Abstract要約: 不完全な量子データから学習するための教師なしドメイン適応フレームワークを提案する。 物質の量子相と絡み合い分類タスクの枠組みを数値的に評価する。 本手法は,ソースのみの非適応ベースラインとターゲットのみの教師なし学習手法より優れている。
• 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: Learning from quantum data using classical machine learning models has emerged as a promising paradigm toward realizing quantum advantages. Despite extensive analyses on their performance, clean and fully labeled quantum data from the target domain are often unavailable in practical scenarios, forcing models to be trained on data collected under conditions that differ from those encountered at deployment. This mismatch highlights the need for new approaches beyond the common assumptions of prior work. In this work, we address this issue by employing an unsupervised domain adaptation framework for learning from imperfect quantum data. Specifically, by leveraging classical representations of quantum states obtained via classical shadows, we perform unsupervised domain adaptation entirely within a classical computational pipeline once measurements on the quantum states are executed. We numerically evaluate the framework on quantum phases of matter and entanglement classification tasks under realistic domain shifts. Across both tasks, our method outperforms source-only non-adaptive baselines and target-only unsupervised learning approaches, demonstrating the practical applicability of domain adaptation to realistic quantum data learning.
• Abstract（参考訳）: 古典的な機械学習モデルを用いた量子データからの学習は、量子アドバンテージの実現に向けた有望なパラダイムとして浮上している。 パフォーマンスに関する広範な分析にもかかわらず、ターゲットドメインからのクリーンで完全にラベル付けされた量子データは、現実的なシナリオでは利用できないことが多く、デプロイ時に遭遇したものと異なる条件下で収集されたデータに基づいてモデルをトレーニングせざるを得ない。 このミスマッチは、以前の作業の一般的な前提を越えて、新しいアプローチの必要性を強調します。 本研究では、不完全な量子データから学習するための教師なしドメイン適応フレームワークを用いてこの問題に対処する。 具体的には、古典的な影を通して得られる量子状態の古典的な表現を活用することで、量子状態の測定が実行されると、古典的な計算パイプライン内で完全に教師なしの領域適応を行う。 現実的な領域シフトの下で,物質および絡み合い分類タスクの量子位相に関する枠組みを数値的に評価する。 いずれのタスクにおいても、本手法はソースのみの非適応ベースラインとターゲットのみの教師なし学習アプローチより優れており、現実的な量子データ学習へのドメイン適応の実践的適用性を実証している。

関連論文リスト

• Quantum automated learning with provable and explainable trainability [4.305036822025956]
  量子自動学習では、変動パラメータが関与せず、トレーニングプロセスが量子状態の準備に変換される。 このようなトレーニングプロセスは、想像的時間進化による量子状態の生成の観点から理解することができることを示す。 この結果は、証明可能で説明可能なトレーニング性を備えた勾配のない非従来型量子学習戦略を確立した。
  論文  参考訳（メタデータ） (2025-02-07T19:00:02Z)
• Information-theoretic generalization bounds for learning from quantum data [5.0739329301140845]
  古典量子データに基づくトレーニングにより量子学習を記述するための数学的定式化を提案する。 我々は,古典的および量子的情報理論量の観点から,量子学習者の期待する一般化誤差を証明した。 我々の研究は、量子学習に関する量子情報理論的な視点を統一するための基礎を築いた。
  論文  参考訳（メタデータ） (2023-11-09T17:21:38Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)

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。