論文の概要: Parameter-efficient Quantum Multi-task Learning

• arxiv url: http://arxiv.org/abs/2604.13560v1
• Date: Wed, 15 Apr 2026 07:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.429341
• Title: Parameter-efficient Quantum Multi-task Learning
• Title（参考訳）: パラメータ効率のよい量子マルチタスク学習
• Authors: Hevish Cowlessur, Chandra Thapa, Tansu Alpcan, Seyit Camtepe,
• Abstract要約: 本稿では,従来のタスク固有線形ヘッドを完全量子予測ヘッドに置き換えるパラメータ効率のよい量子マルチタスク学習(QMTL)フレームワークを提案する。 我々は,自然言語処理,医用画像,マルチモーダルサルカズム検出を対象とする3つのマルチタスクベンチマークでQMTLを評価した。
• 参考スコア（独自算出の注目度）: 8.861193811778927
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-task learning (MTL) improves generalization and data efficiency by jointly learning related tasks through shared representations. In the widely used hard-parameter-sharing setting, a shared backbone is combined with task-specific prediction heads. However, task-specific parameters can grow rapidly with the number of tasks. Therefore, designing multi-task heads that preserve task specialization while improving parameter efficiency remains a key challenge. In Quantum Machine Learning (QML), variational quantum circuits (VQCs) provide a compact mechanism for mapping classical data to quantum states residing in high-dimensional Hilbert spaces, enabling expressive representations within constrained parameter budgets. We propose a parameter-efficient quantum multi-task learning (QMTL) framework that replaces conventional task-specific linear heads with a fully quantum prediction head in a hybrid architecture. The model consists of a VQC with a shared, task-independent quantum encoding stage, followed by lightweight task-specific ansatz blocks enabling localized task adaptation while maintaining compact parameterization. Under a controlled and capacity-matched formulation where the shared representation dimension grows with the number of tasks, our parameter-scaling analysis demonstrates that a standard classical head exhibits quadratic growth, whereas the proposed quantum head parameter cost scales linearly. We evaluate QMTL on three multi-task benchmarks spanning natural language processing, medical imaging, and multimodal sarcasm detection, where we achieve performance comparable to, and in some cases exceeding, classical hard-parameter-sharing baselines while consistently outperforming existing hybrid quantum MTL models with substantially fewer head parameters. We further demonstrate QMTL's executability on noisy simulators and real quantum hardware, illustrating its feasibility.
• Abstract（参考訳）: マルチタスク学習(MTL)は、共有表現を通じて関連タスクを共同学習することにより、一般化とデータ効率を向上させる。 広く使われているハードパラメータ共有設定では、共有バックボーンとタスク固有の予測ヘッドが結合される。 しかし、タスク固有のパラメータはタスクの数に応じて急速に増加する。 したがって,タスクの特殊化を保ちながらパラメータ効率を向上するマルチタスクヘッドの設計は重要な課題である。 量子機械学習(QML)において、変分量子回路(VQC)は、高次元ヒルベルト空間に存在する量子状態に古典的データをマッピングするためのコンパクトなメカニズムを提供する。 本稿では,従来のタスク固有線形ヘッドを,ハイブリッドアーキテクチャにおける完全量子予測ヘッドに置き換える,パラメータ効率のよい量子マルチタスク学習(QMTL)フレームワークを提案する。 モデルは、共有されたタスク非依存の量子符号化ステージを持つVQCと、コンパクトなパラメータ化を維持しながら、局所化されたタスク適応を可能にする軽量なタスク固有のアンサッツブロックで構成されている。 タスク数に応じて共有表現次元が増大する制御および容量整合式では,従来の古典的頭部が二次的成長を示すのに対して,提案した量子ヘッドパラメーターコストは線形にスケールすることを示す。 我々は,自然言語処理,医用画像,マルチモーダル・サルカズム検出にまたがる3つのマルチタスク・ベンチマークにおけるQMTLの評価を行った。 さらに、ノイズの多いシミュレータや実量子ハードウェア上でのQMTLの実行可能性を示し、その実現可能性を示す。

関連論文リスト

• Parameter Aware Mamba Model for Multi-task Dense Prediction [69.94454603308196]
  本稿では,マルチタスク学習環境における高密度予測に特化して設計された,新しいデコーダベースのフレームワーク Aware Mamba Model (PAMM) を紹介する。 タスク固有のパラメータを統合および設定し、各タスクの固有の特性をキャプチャする、二重状態空間パラメータの専門家を特徴とする。 マルチディレクショナル・ヒルベルト走査法を用いて多角特徴系列を構築し、2次元データに対するシーケンスモデルの知覚能力を向上する。
  論文  参考訳（メタデータ） (2025-11-18T13:48:00Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Learning to Measure Quantum Neural Networks [10.617463958884528]
  本稿では,量子系の可観測性,特にエルミート行列学習性を実現する新しい手法を提案する。 本手法では,パラメータ化可観測関数を通常の量子回路パラメータとともに学習するエンド・ツー・エンドの微分可能学習フレームワークを特徴とする。 数値シミュレーションにより,提案手法は変動量子回路の観測値の同定が可能であり,その結果が得られた。
  論文  参考訳（メタデータ） (2025-01-10T02:28:19Z)
• QSpec: Speculative Decoding with Complementary Quantization Schemes [53.960146187821685]
  大規模言語モデル(LLM)における推論の高速化とメモリ消費削減のために量子化が広く採用されている 品質から効率を分離する新しい量子化パラダイムであるQSpecを提案する。 QSpecは重みとKVキャッシュの両方を段階的に再利用し、再トレーニングや補助モデルなしでほぼゼロコストで切り替えることができる。
  論文  参考訳（メタデータ） (2024-10-15T05:57:51Z)
• A Quantum Circuit-Based Compression Perspective for Parameter-Efficient Learning [19.178352290785153]
  量子パラメータ生成の枠組みに量子s適応(QPA)を導入する。 QPAはQNNと古典的な多層パーセプトロンマッピングモデルを統合し、微調整のためのパラメータを生成する。 Gemma-2とGPT-2をケーススタディとして、QPAはパラメータ効率のよい微調整法に対して重要なパラメータ還元を示す。
  論文  参考訳（メタデータ） (2024-10-13T14:09:29Z)
• Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits [16.460585387762478]
  量子ニューラルネットワークの有望なアプローチとして、PQC(ized quantum circuits)が登場した。 本稿では,一般関数クラスを近似するためのPQCの表現性について検討する。 我々は、量子ビット数、量子回路深さ、およびトレーニング可能なパラメータ数の観点から、これらの関数に対する最初の非漸近近似誤差境界を確立する。
  論文  参考訳（メタデータ） (2023-10-11T14:29:11Z)
• PreQuant: A Task-agnostic Quantization Approach for Pre-trained Language Models [52.09865918265002]
  ファインチューニングのフレームワークPreQuantに先立って,新しい量子化を提案する。 PreQuantは様々な量子化戦略と互換性があり、インダクションされた量子化誤差を修正するために、アウタリア対応の微調整が組み込まれている。 BERT,RoBERTa,T5を用いたGLUEベンチマークにおけるPreQuantの有効性を示す。
  論文  参考訳（メタデータ） (2023-05-30T08:41:33Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• End-to-End Quantum Machine Learning Implemented with Controlled Quantum Dynamics [0.9599644507730106]
  この研究は、ハードウェアフレンドリーなエンドツーエンドの量子機械学習スキームを示し、不完全な短期中規模量子(NISQ)プロセッサで実装できる。 この提案では,機械学習タスクを制御量子力学の最適化に変換し,学習モデルを実験的に調整可能な制御変数によってパラメータ化する。 我々の設計では、エージェント制御変数を介して生の入力を量子状態に符号化することで、自動的な特徴選択を可能にする。
  論文  参考訳（メタデータ） (2020-03-30T17:44:51Z)

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。