論文の概要: Quantum Interval Bound Propagation for Certified Training of Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2605.00747v1
• Date: Fri, 01 May 2026 15:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:29.007787
• Title: Quantum Interval Bound Propagation for Certified Training of Quantum Neural Networks
• Title（参考訳）: 量子ニューラルネットワークの認定トレーニングのための量子間境界伝搬
• Authors: Emma Andrews, Nahyeon Kim, Prabhat Mishra,
• Abstract要約: IBP(Interval bound propagation)は、古典的な機械学習において一般的な訓練手法である。 本稿では量子区間境界伝播法(QIBP)を提案し,量子機械学習のための認定トレーニングルーチンを確立する。
• 参考スコア（独自算出の注目度）: 2.37685358666088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning is a promising field for efficiently learning features of a dataset to perform a specified task, such as classification. Interval bound propagation (IBP) is a popular certified training method in classical machine learning, where the lower and upper bounds are tracked throughout the model. These bounds are used during training to ensure that the model is certified to predict the correct label even under adversarial perturbations. While IBP is successful in classical domain, there are limited certified training efforts in quantum domain. In this paper, we present quantum interval bound propagation (QIBP) to establish a certified training routine for quantum machine learning, certifying the accuracy of models under adversarial perturbations. We implement QIBP using both interval and affine arithmetic to explore the tradeoffs between the two implementations in terms of accuracy and other design considerations. Extensive evaluation demonstrates that the resulting certified trained models have robust decision boundaries, guaranteed to predict the correct class for the samples within the trained adversarial robustness bounds.
• Abstract（参考訳）: 量子機械学習は、データセットの特徴を効率的に学習し、分類などの特定のタスクを実行するための有望な分野である。 IBP(Interval bound propagation)は、古典的な機械学習において、下界と上界をモデル全体で追跡する一般的な訓練手法である。 これらの境界は、逆の摂動の下でも正しいラベルを予測するためにモデルが認定されていることを保証するために訓練中に使用される。 IBPは古典的領域では成功したが、量子領域では認定された訓練努力が限られている。 本稿では,量子区間境界伝搬(QIBP)を用いて,量子機械学習のための認定トレーニングルーチンを構築し,対向的摂動下でのモデルの精度を検証した。 間隔演算とアフィン演算の両方を用いてQIBPを実装し、精度と設計上の考慮点の両実装間のトレードオフを探索する。 総合的な評価は、トレーニングされたトレーニングされたモデルが堅牢な決定境界を持ち、トレーニングされた対向的堅牢性境界内のサンプルの正しいクラスを予測することを保証していることを示している。

関連論文リスト

• Online Bayesian Imbalanced Learning with Bregman-Calibrated Deep Networks [0.7106986689736825]
  本報告では、クラス優先の仮定から確率比の推定を分離する原則的フレームワークであるOBIL(TextitOnline Bayesian Im Balanced Learning)を提案する。 我々のアプローチは、ブレグマンの発散と適切なスコアリングルールとの確立された接続に基づいて、そのような損失で訓練されたディープネットワークが後続確率推定を生成することを示す。 これらの確率比の推定は、クラス事前およびコスト構造における任意の変化の下でも有効であり、最適なベイズ決定のためのしきい値調整のみを必要とすることを証明している。
  論文  参考訳（メタデータ） (2026-02-08T21:23:00Z)
• TARA Test-by-Adaptive-Ranks for Quantum Anomaly Detection with Conformal Prediction Guarantees [0.0]
  量子鍵分布(QKD)のセキュリティは、古典的な盗聴者シミュレーションと真の量子相関を区別する能力に依存する。 量子異常検出のための整合予測とシーケンシャルマーチンゲール検定を組み合わせた新しいフレームワークであるTARAを紹介する。
  論文  参考訳（メタデータ） (2025-12-03T17:53:38Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)
• 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)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• Implementation and Empirical Evaluation of a Quantum Machine Learning Pipeline for Local Classification [0.0]
  本稿では,ローカル分類のためのQMLパイプラインのPython実装について述べる。 具体的には、量子k-NNと量子二項分類器からなる。 その結果、量子パイプラインは(正確性の観点から)理想の場合の古典的な等価性を示している。
  論文  参考訳（メタデータ） (2022-05-11T08:18:57Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)

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。