論文の概要: Quantum Transfer Learning Shows Improved Robustness in Low-Data Regimes

• arxiv url: http://arxiv.org/abs/2605.09118v1
• Date: Sat, 09 May 2026 19:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.070443
• Title: Quantum Transfer Learning Shows Improved Robustness in Low-Data Regimes
• Title（参考訳）: 低データレジームにおけるロバスト性向上の量子伝達学習
• Abstract要約: 我々は、量子モデルのロバスト性について、少ないトレーニングデータの下で体系的に研究する。 実験の結果,訓練データに制限がある場合,従来のモデルでは高いピーク性能が得られることがわかった。 対照的に、量子モデルは、データレシエーション全体でより安定したパフォーマンスを維持し、ロバスト性やデータ効率が改善されていることを示す。
• 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: Transfer learning under limited data is a challenging setting, where models must adapt to new tasks with minimal supervision. Prior work has primarily focused on improving absolute accuracy in transfer learning. However, empirical evidence comparing quantum and classical models in realistic transfer learning settings remains limited, especially in low-data regimes. In this work, we systematically study the robustness of quantum models under reduced training data. We evaluate multiple quantum and classical architectures across diverse transfer tasks and retraining configurations, and quantify robustness using accuracy degradation and relative performance retention (RPR). Our results show that, although classical models often achieve higher peak performance, they exhibit significantly larger degradation when training data is limited. In contrast, quantum models maintain more stable performance across data regimes, indicating improved robustness and data efficiency. These findings provide empirical evidence that quantum models can offer improved robustness in low-resource transfer learning scenarios.
• Abstract（参考訳）: 限られたデータの下でのトランスファー学習は、モデルが最小限の監督で新しいタスクに適応しなければならない、難しい設定です。 それまでの研究は主に、転送学習における絶対的正確性の改善に重点を置いてきた。 しかし、量子モデルと古典モデルを比較した実証的な証拠は、特に低データレシエーションにおいて、現実的な伝達学習環境において限られている。 本研究では,量子モデルのロバスト性について,少ないトレーニングデータの下で体系的に研究する。 我々は,多種多様な転送タスクと再学習構成の複数の量子および古典的アーキテクチャを評価し,精度劣化と相対性能保持(RPR)を用いてロバスト性を定量化する。 以上の結果から,従来のモデルでは高いピーク性能が得られたが,トレーニングデータに制限がある場合には,大幅に劣化することがわかった。 対照的に、量子モデルは、データレシエーション全体でより安定したパフォーマンスを維持し、ロバスト性やデータ効率が改善されていることを示す。 これらの結果は、量子モデルが低リソースの転送学習シナリオで堅牢性を向上させることができるという実証的な証拠を提供する。

関連論文リスト

• Quantum inspired qubit qutrit neural networks for real time financial forecasting [0.0]
  この研究は、モデル間でのトレーニング時間とパフォーマンスメトリクスに大きな違いを浮き彫りにしている。 Quantum Qutritベースのニューラルネットワークは、リスク調整されたリターンのアドバンテージにより、一貫してパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2026-04-20T21:03:33Z)
• A hardware efficient quantum residual neural network without post-selection [1.16678179296168]
  本稿では,アイデンティティと変分ユニタリの決定論的線形結合による残差接続を実現する,ハードウェア効率のよい量子残差ニューラルネットワークを提案する。 従来の残差接続の実装とは対照的に,アーキテクチャは残差学習を保ちながら選択後を避けている。 私たちのアーキテクチャは、正確で堅牢で、トレーニング可能で、ハードウェアで効率的な量子機械学習モデルを開発するための新しい経路を提供します。
  論文  参考訳（メタデータ） (2026-04-08T09:26:50Z)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• Entropy-Guided Token Dropout: Training Autoregressive Language Models with Limited Domain Data [89.96277093034547]
  本研究では,エントロピー誘導型トークンドロップアウト方式であるEntroDropを導入する。 本稿では,EntroDropが標準正規化ベースラインを一貫して上回り,拡張型マルチエポックトレーニングを通じて堅牢な性能を維持していることを示す。
  論文  参考訳（メタデータ） (2025-12-29T12:35:51Z)
• Loss Behavior in Supervised Learning with Entangled States [36.30006416492033]
  補助システムとの絡み合いは、教師あり学習などの応用におけるQMLモデルの質を高めることが示されている。 最近の研究は、絡み合ったトレーニングサンプルから抽出できる情報と、訓練されたモデルの近似誤差に与える影響に焦点を当てている。 QMLモデルのトレーニング性に関する結果は、トレーニングプロセス自体が教師付き学習タスクの様々な特性に影響されていることを示している。
  論文  参考訳（メタデータ） (2025-09-12T11:09:24Z)
• Dynamic Loss-Based Sample Reweighting for Improved Large Language Model Pretraining [55.262510814326035]
  既存のリウェイト戦略は主にグループレベルのデータの重要性に焦点を当てている。 動的・インスタンスレベルのデータ再重み付けのための新しいアルゴリズムを提案する。 当社のフレームワークでは,冗長データや非形式データを優先的に再重み付けする戦略を考案することが可能です。
  論文  参考訳（メタデータ） (2025-02-10T17:57:15Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• 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)
• Towards Compute-Optimal Transfer Learning [82.88829463290041]
  我々は、事前訓練されたモデルのゼロショット構造化プルーニングにより、性能を最小限に抑えて計算効率を向上させることができると主張している。 その結果,事前訓練されたモデルの畳み込み畳み込みフィルタは,低計算条件下で20%以上の性能向上をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2023-04-25T21:49:09Z)
• Understanding and Improving Transfer Learning of Deep Models via Neural Collapse [37.483109067209504]
  分類問題に対する神経崩壊(NC)と伝達学習の関係について検討する。 機能崩壊と下流のパフォーマンスには強い相関関係がある。 提案手法は, 微調整パラメータを90%以上削減しつつ, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-23T08:48:34Z)
• Quantized Adaptive Subgradient Algorithms and Their Applications [39.103587572626026]
  本稿では、分散トレーニングのための量子化された複合ミラー降下適応次数 (QCMD adagrad) と量子化された正規化された2次平均適応次数 (QRDA adagrad) を提案する。 量子化勾配に基づく適応学習率行列を構築し、通信コスト、精度、モデル間隔のバランスをとる。
  論文  参考訳（メタデータ） (2022-08-11T04:04:03Z)
• Regularizing Generative Adversarial Networks under Limited Data [88.57330330305535]
  本研究は、限られたデータ上で堅牢なGANモデルをトレーニングするための正規化手法を提案する。 正規化損失とLeCam-divergenceと呼ばれるf-divergenceの関連性を示す。
  論文  参考訳（メタデータ） (2021-04-07T17:59:06Z)
• Zero-shot Adversarial Quantization [11.722728148523366]
  ゼロショット逆量子化(ZAQ: Zero-shot adversarial quantization)フレームワークを提案し,効果的な不一致推定と知識伝達を容易にする。 これは、情報的で多様なデータ例を合成するためにジェネレータを駆動する、新しい2レベル不一致モデリングによって達成される。 強力なゼロショットベースラインに対してZAQの優位性を示す3つの基本的なビジョンタスクについて広範な実験を行います。
  論文  参考訳（メタデータ） (2021-03-29T01:33:34Z)

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。