論文の概要: Exploring the non-convexity in machine learning using quantum-inspired optimization

• arxiv url: http://arxiv.org/abs/2605.07947v1
• Date: Fri, 08 May 2026 16:15:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.192685
• Title: Exploring the non-convexity in machine learning using quantum-inspired optimization
• Title（参考訳）: 量子インスパイアされた最適化を用いた機械学習の非凸性探索
• Abstract要約: 機械学習のエスカレートする複雑さは、非次元ロバストネス最適化問題を克服する必要がある。 従来のアプローチは、オンザフライの検索方式に依存しており、これらの問題を克服することができないことが多い。 我々は,非機械学習の本質的抽出をグローバルに統一的に探索することを提案する。 以上の結果から,a-Mの導入は,非機械学習の難問をグローバルに検索する上で有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The escalating complexity of modern machine learning necessitates solving challenging non-convex optimization problems, particularly in high-dimensional regimes and scenarios contaminated by gross outliers. Traditional approaches, relying on convex relaxations or specialized local search heuristics, frequently succumb to suboptimal local minima and fail to recover the true underlying discrete structures. In this paper, we propose treating these non-convex challenges as a global search problem and introduce a unified framework based on Quantum-Inspired Evolutionary Optimization (QIEO). By leveraging a probabilistic representation inspired by quantum superposition, QIEO maintains a global view of the search space, enabling it to tunnel through local optima that trap conventional gradient-based and greedy solvers. We comprehensively evaluate QIEO across diverse non-convex applications, including sparse signal recovery (gene expression analysis and compressed sensing) and robust linear regression. Extensive benchmarking against state-of-the-art continuous solvers (ADAM, Differential Evolution), classical metaheuristics (Genetic Algorithms), and specialized non-convex algorithms (Iterative Hard Thresholding) demonstrates that QIEO consistently achieves superior structural fidelity, lower mean squared error, and enhanced robustness without support inflation. Our findings suggest that embracing a quantum-inspired global search provides a resilient, unified paradigm for overcoming the inherent intractability of discrete nonconvex machine learning landscapes.
• Abstract（参考訳）: 現代の機械学習のエスカレートする複雑さは、特に高次元のレシエーションや、粗悪なアウトリーチによって汚染されたシナリオにおいて、非凸最適化問題の解決を必要とする。 凸緩和や専門的な局所探索ヒューリスティックに依存する伝統的なアプローチは、しばしば最適な局所最小値に傾倒し、真の基盤となる離散構造の回復に失敗する。 本稿では,これらの非凸課題をグローバル検索問題として扱うことを提案し,量子インスパイアされた進化最適化(QIEO)に基づく統一フレームワークを提案する。 量子重ね合わせにインスパイアされた確率的表現を活用することで、QIEOは探索空間のグローバルなビューを維持し、従来の勾配ベースおよび強欲な解をトラップする局所最適をトンネルすることを可能にする。 我々は、疎信号回復(遺伝子発現解析と圧縮センシング)や頑健な線形回帰など、様々な非凸アプリケーションにまたがるQIEOを包括的に評価する。 最先端連続解法 (ADAM, Differential Evolution) 、古典的メタヒューリスティックス (Genetic Algorithms) 、特殊非凸アルゴリズム (Iterative Hard Thresholding) に対する広範囲なベンチマークは、QIEOが常に優れた構造的忠実性、平均二乗誤差の低減、インフレーションをサポートしない堅牢性の向上を実現していることを示している。 我々の研究結果は、量子にインスパイアされたグローバル検索を採用することで、離散非凸機械学習ランドスケープの固有の魅力を克服する、レジリエントで統一されたパラダイムが提供されることを示唆している。

関連論文リスト

• QDEvo: A Multi-Objective Quality-Diversity Framework for Automated Heuristic Design [2.942531574809674]
  品質多様性最適化とLLM駆動探索を統合した多目的フレームワークを提案する。 QDEvoはHypervolumeとIn Generational Distanceの両方で最先端の手法を大幅に上回ることを示す。 我々のフレームワークは、高いパフォーマンス、計算効率、セマンティックに多様であるメトリクスの発見を可能にする。
  論文  参考訳（メタデータ） (2026-07-06T07:35:23Z)
• Projected Inverse Iteration: An Eigenvalue Approach to Ground-State Computation with Neural Quantum States [17.26784290982439]
  ディープラーニングは、ニューラルネットワークの波動関数による量子多体問題に対する強力なアプローチを提供する。 自然降下や勾配再構成を含む既存の最適化手法は、スペクトルギャップ依存性の収束に悩まされている。 本稿では,基底状態探索を固有値問題として再フレーミングすることで,PII(Projected Inverse Iteration)を提案する。
  論文  参考訳（メタデータ） (2026-06-05T20:23:38Z)
• A NISQ-Aware Hybrid Quantum-Classical Framework for Scalable Combinatorial Optimization [8.152791871486682]
  本稿では,資源境界分布進化過程として大規模最適化を再構成するハイブリッド量子古典最適化フレームワークを提案する。 個々の解を直接最適化する代わりに、提案するフレームワークは、解空間の確率的表現で機能する。 ベンチマークと合成データセットに関する大規模な実験は、提案されたフレームワークが古典的および量子的に着想を得たベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-30T05:17:07Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• From Mean-Field Limits to Semiclassical Concentration: Global Convergence of the Canonical Evolutionary Strategy [0.602842844173992]
  我々は、シュルディンガー型複製子-ミュータ方程式の半古典的極限により、進化アルゴリズムのグローバル収束を分析する。 離散的な個人ベースの力学から決定論的平均場限界までの厳密な階層を提供する。 グローバル・ミニマライザが初期サポート外に存在する場合、早期に分散崩壊する傾向にあるコンセンサス駆動の手法とは異なり、CESのレプリカータ・ミューテータのダイナミクスは固有の質量輸送を促進する。
  論文  参考訳（メタデータ） (2026-05-19T08:25:21Z)
• Escaping Spectral Bias without Backpropagation: Fast Implicit Neural Representations with Extreme Learning Machines [4.6894180050630005]
  暗黙の神経表現(INR)を訓練して、細部を捉えることは、通常反復的なバックプロパゲーションに依存する。 ELM-INRは、ドメインを反復的に分解し、エクストリームラーニングマシン(ELM)をクローズド形式で各ローカル問題に適合させるバックプロパゲーションフリーINRである。 この設計は、局所予測器を一意に分割することで高速で数値的に堅牢な再構成をもたらす。
  論文  参考訳（メタデータ） (2026-02-07T16:12:39Z)
• A Quantum-Driven Evolutionary Framework for Solving High-Dimensional Sharpe Ratio Portfolio Optimization [19.80729137474542]
  高次元ポートフォリオ最適化は、複雑な制約の下で重要な計算課題に直面している。 適応的なペナルティ項を用いて,全ての制約を対象関数に組み込んだシャープ比モデルを提案する。 本稿では、量子に着想を得た確率的振る舞いを標準のDEフレームワークに統合する量子ハイブリッド微分進化(QHDE)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-01-16T06:50:28Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Scalable Quantum Walk-Based Heuristics for the Minimum Vertex Cover Problem [0.0]
  連続時間量子ウォーク(CTQW)に基づく最小頂点被覆(MVC)問題に対する新しい量子アルゴリズムを提案する。 この枠組みでは、グラフ上の量子ウォーカーのコヒーレントな伝播は、その構造特性を状態振幅に符号化する。 我々は,CTQWに基づくアルゴリズムが優れた近似比を一貫して達成し,ネットワークトポロジに関して顕著な堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2025-12-02T17:04:57Z)
• Approximate Quantum State Preparation with Tree-Based Bayesian Optimization Surrogates [4.946006905837039]
  短期量子コンピュータにおける近似状態準備の問題について検討する。 目的は、リソースオーバーヘッドを最小限にしつつ、ターゲット量子状態の出力分布を再現するパラメータ化回路を構築することである。 本稿では,木モデルを用いたベイズ最適化に基づくサロゲート誘導最適化フレームワークCircuitTreeを提案する。
  論文  参考訳（メタデータ） (2025-09-30T18:19:37Z)
• ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
  ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。 HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。 計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
  論文  参考訳（メタデータ） (2025-04-16T05:33:42Z)
• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Efficient Methods for Structured Nonconvex-Nonconcave Min-Max Optimization [98.0595480384208]
  定常点に収束する一般化外空間を提案する。 このアルゴリズムは一般の$p$ノルド空間だけでなく、一般の$p$次元ベクトル空間にも適用される。
  論文  参考訳（メタデータ） (2020-10-31T21:35:42Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。