論文の概要: Local tensor-train surrogates for quantum learning models
- arxiv url: http://arxiv.org/abs/2604.25631v1
- Date: Tue, 28 Apr 2026 13:33:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.875003
- Title: Local tensor-train surrogates for quantum learning models
- Title（参考訳）: 量子学習モデルのための局所テンソルトレインサロゲート
- Authors: Sreeraj Rajindran Nair, Christopher Ferrie,
- Abstract要約: 本稿では、量子機械学習モデルの高速で安価で証明可能な古典的訓練サロゲートを構築するためのフレームワークを提案する。
このアプローチはテイラー近似をテンソルトレイン表現と組み合わせ、統計学習パラダイムに組み込む。
- 参考スコア（独自算出の注目度）: 4.8055567102097125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A key bottleneck in quantum machine learning is the computational cost of repeated quantum circuit evaluations during the inference phase. To address this, we present a framework for constructing fast, cheap, provably accurate classical tensor-train surrogates of fully trained quantum machine learning models within local patches of their input data space. The approach combines Taylor polynomial approximation with a tensor-train (TT) representation and embeds it in a statistical learning paradigm via empirical risk minimization. In our analysis, the Taylor-TT construction serves as a deterministic error certificate proving that the TT hypothesis class contains a good approximation; empirical risk minimization then provably recovers a surrogate with controlled generalization error and explicit bounds. This translates into three independently controllable error sources: (i) Taylor truncation error controlled by the patch radius $r$ and polynomial degree $p$, (ii) TT approximation error controlled by the bond dimension $χ$, and (iii) statistical estimation error. While the parameter count scales polynomially in the number of data dimensions $N$, i.e., $d_{\mathrm{eff}} = N(p+1)χ^2$ rather than the naive $(p+1)^N$, the worst-case constants inherit an exponential factor through the tensor-product feature norm during Taylor polynomial embedding onto TT. This cleanly separates representation complexity from feature-induced constants. Our risk bounds and sample complexity depend explicitly on the local patch radius $r$.
- Abstract（参考訳）: 量子機械学習における重要なボトルネックは、推論フェーズにおける繰り返し量子回路評価の計算コストである。
これを解決するために、入力データ空間の局所パッチ内で、完全に訓練された量子機械学習モデルの高速で安価で証明可能な古典的テンソルトレインサロゲートを構築するためのフレームワークを提案する。
このアプローチはテイラー多項式近似をテンソルトレイン(TT)表現と組み合わせ、経験的リスク最小化による統計的学習パラダイムに組み込む。
我々の分析では、Taylor-TTの構成は、TT仮説クラスが良好な近似を含むことを示す決定論的誤差証明として機能し、経験的リスク最小化は、制御された一般化誤差と明示的境界でサロゲートを確実に回復する。
これは3つの独立した制御可能なエラーソースに変換される。
(i)パッチ半径$r$と多項式次数$p$で制御されるテイラートランケーション誤差
(ii)TT近似誤差は、結合次元$=$で制御され、
(三)統計的推定誤差。
パラメータカウントは、単純な$(p+1)^N$ではなく、$d_{\mathrm{eff}} = N(p+1) ^2$ というデータ次元の個数で多項式的にスケールするが、最悪の場合定数は、TTに埋め込まれたテイラー多項式のテンソル積特徴ノルムによって指数係数を継承する。
これは、表現の複雑さを特徴誘発定数から明確に分離する。
私たちのリスク境界とサンプルの複雑さは、局所パッチ半径$r$に明示的に依存します。
関連論文リスト
- DQC1-completeness of normalized trace estimation for functions of log-local Hamiltonians [20.990700912031773]
正規化トレース 2-nTr[f(A)]$ を対数局所ハミルトニアン$A$ で$n$ qubits に作用させることの計算複雑性について検討する。
この問題は自然に DQC1 モデルで生じるが、その複雑性は限定された函数のクラス$f(x)$に対してのみ理解される。
f(x)$ が近似次数 $(rm poly(n))$ の連続関数であれば、2-nTr[f(A)]$ を定数加法誤差まで見積もる。
論文 参考訳（メタデータ） (2026-04-02T01:15:12Z) - Recursive Sketched Interpolation: Efficient Hadamard Products of Tensor Trains [3.1007879499686957]
テンソルトレイン(TT)形式における2つのテンソルのアダマール積は、様々な応用における基本的な操作である。
本稿では,TTのアダマール積を計算コストで計算するスケール製品'アルゴリズムであるRecursive Sketched Interpolation (RSI)を紹介する。
論文 参考訳（メタデータ） (2026-02-20T04:07:37Z) - Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。
本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
論文 参考訳（メタデータ） (2025-09-30T03:56:44Z) - Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。
統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
論文 参考訳（メタデータ） (2024-08-25T04:07:18Z) - Tensor cumulants for statistical inference on invariant distributions [49.80012009682584]
我々は,PCAが信号の大きさの臨界値で計算的に困難になることを示す。
我々は、与えられた次数の不変量に対して明示的でほぼ直交的な基底を与える新しい対象の集合を定義する。
また、異なるアンサンブルを区別する新しい問題も分析できます。
論文 参考訳（メタデータ） (2024-04-29T14:33:24Z) - Learning finitely correlated states: stability of the spectral reconstruction [1.9573380763700716]
未知の状態のコピーから最小次元の実現を学習する作業を考える。
無限鎖上の有限相関変換不変状態に対して、最小次元の実現は再構成できる。
論文 参考訳（メタデータ） (2023-12-12T18:47:12Z) - Statistically Meaningful Approximation: a Case Study on Approximating
Turing Machines with Transformers [50.85524803885483]
本研究は,統計的学習性を示すために近似ネットワークを必要とする統計有意(SM)近似の形式的定義を提案する。
回路とチューリングマシンの2つの機能クラスに対するSM近似について検討する。
論文 参考訳（メタデータ） (2021-07-28T04:28:55Z) - On Function Approximation in Reinforcement Learning: Optimism in the
Face of Large State Spaces [208.67848059021915]
強化学習のコアにおける探索・探索トレードオフについて検討する。
特に、関数クラス $mathcalF$ の複雑さが関数の複雑さを特徴づけていることを証明する。
私たちの後悔の限界はエピソードの数とは無関係です。
論文 参考訳（メタデータ） (2020-11-09T18:32:22Z) - Estimation in Tensor Ising Models [5.161531917413708]
N$ノード上の分布から1つのサンプルを与えられた$p$-tensor Isingモデルの自然パラメータを推定する問題を考える。
特に、$sqrt N$-consistency of the MPL estimate in the $p$-spin Sherrington-Kirkpatrick (SK) model。
我々は、$p$-tensor Curie-Weiss モデルの特別な場合における MPL 推定の正確なゆらぎを導出する。
論文 参考訳（メタデータ） (2020-08-29T00:06:58Z)
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。