論文の概要: Quantum Parity Representations: Learnable Basis Discovery, Encoders, and Shadow Deployment

• arxiv url: http://arxiv.org/abs/2605.11213v1
• Date: Mon, 11 May 2026 20:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.410097
• Title: Quantum Parity Representations: Learnable Basis Discovery, Encoders, and Shadow Deployment
• Title（参考訳）: 量子パリティ表現:学習可能なベーシディスカバリ、エンコーダ、シャドウデプロイメント
• Authors: Sang Hyub Kim, Oliver Knitter, Jonathan Mei, Claudio Girotto, Masako Yamada, Martin Roetteler, Chi Chen,
• Abstract要約: パリティ機能は、バイナリまたは量子化された入力表現とパリティワードが固定されたときに、完全に古典的に評価することができる。 パリティ機能は、バイナリ入力の選択されたビットに対して署名された製品である。 これらの課題に対処するために、ハイブリッド量子古典的なトレーニングパイプラインを使用します。
• 参考スコア（独自算出の注目度）: 1.959072917385425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study parity features as representations that can be evaluated entirely classically once the binary or quantized input representation and parity words are fixed, particularly when labels depend on higher-order feature interactions or when discrete inference interfaces support perturbation robustness. A parity feature is a signed product over selected bits of a binary input: once the participating bits are known, evaluation requires no quantum resources. Reaching a useful parity representation requires solving two challenges. When the input is parity-ready (a meaningful binary string), the challenge is basis discovery: selecting useful parity words from a combinatorial search space. Otherwise, the challenge is encoding: constructing a binary vector on which parity computation is meaningful. We use hybrid quantum-classical training pipelines to address these: learnable Pauli word selection for basis discovery, learned projection encodings for continuous embeddings, and sPQC-Parity for discrete inputs. On three native-binary parity tasks with 5-10 qubits, the learned parity basis improves mean accuracy by 23.9% to 41.7% over logistic-regression and support-vector baselines. A model comparison shows that the improvement comes primarily from discovering the right parity basis, rather than from quantum moment computation at inference. On five continuous text benchmarks, learned projection recovers much of the loss introduced by dimensionality reduction and fixed binarization, exceeding the full continuous baseline on CR, SST-2, and SST-5. On three encoding-limited discrete datasets, when compared with PCA-bin as the baseline, sPQC-Parity reaches 94.6% improvement on mushroom, 3.0% on splice, and matches PCA-bin on promoter. We also analyze inference robustness under binary or quantized inference, where rounding gives exact invariance below half the quantization step.
• Abstract（参考訳）: 特にラベルが高次特徴相互作用に依存する場合や、離散推論インタフェースが摂動ロバスト性をサポートする場合において、パリティ特徴を古典的に評価できる表現として検討する。 パリティ機能は、バイナリ入力の選択されたビットに対して署名された積である: 参加ビットが認識されると、評価は量子資源を必要としない。 有用なパリティ表現を取得するには、2つの課題を解決する必要がある。 入力がパリティ対応である場合(有意義なバイナリ文字列)、その課題は基底探索(英語版)であり、組合せ探索空間から有用なパリティ語を選択することである。 そうでなければ、問題はエンコーディングである:パリティ計算が意味のあるバイナリベクトルを構築する。 基礎探索のための学習可能なパウリ語選択、連続埋め込みのための学習されたプロジェクションエンコーディング、離散入力のためのsPQC-Parity。 5-10キュービットの3つのネイティブバイナリパリティタスクでは、学習されたパリティベースがロジスティック回帰とサポートベクターベースラインよりも平均精度を23.9%から41.7%向上させる。 モデル比較では、改善は主に推論時の量子モーメント計算からではなく、適切なパリティ基底を発見することから生じることを示している。 5つの連続テキストベンチマークにおいて、学習された予測は次元減少と固定二項化によって生じる損失の多くを回復し、CR、SST-2、SST-5の完全な連続ベースラインを超える。 3つの符号化制限された離散データセットにおいて、PCA-binをベースラインとすると、sPQC-Parityはキノコが94.6%、スプライスが3.0%、PCA-binがプロモーターにマッチする。 また、二乗あるいは量子化推論の下での推論の堅牢性も分析し、丸めは量子化ステップの半分以下で正確な不変性を与える。

関連論文リスト

• BRIDGE: Building Representations In Domain Guided Program Verification [67.36686119518441]
  BRIDGEは、検証をコード、仕様、証明の3つの相互接続ドメインに分解する。 提案手法は, 標準誤差フィードバック法よりも精度と効率を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-11-26T06:39:19Z)
• BDD2Seq: Enabling Scalable Reversible-Circuit Synthesis via Graph-to-Sequence Learning [9.434983938743349]
  我々は、グラフニューラルネットワークエンコーダとPointer-NetworkデコーダとDiverse Beam Searchを結合して高品質な注文を予測するグラフからシーケンスのフレームワークであるBDD2Seqを紹介した。 BDD2Seqは、量子コストの約1.4倍、現代的なアルゴリズムの3.7倍の高速な合成を実現している。 これは、グラフベースの生成モデルと多様性促進デコーディングによるBDDベースの可逆回路合成における変数順序付け問題に対処する最初の試みである。
  論文  参考訳（メタデータ） (2025-11-11T14:44:29Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Sparse VideoGen2: Accelerate Video Generation with Sparse Attention via Semantic-Aware Permutation [84.00166854547241]
  拡散変換器(DiT)はビデオ生成に必須であるが,注意の2次複雑さにより遅延が著しく低下する。 SVG2は,識別精度を最大化し,無駄を最小化する学習自由フレームワークである。
  論文  参考訳（メタデータ） (2025-05-24T21:30:29Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Learning to Add, Multiply, and Execute Algorithmic Instructions Exactly with Neural Networks [13.351162559710124]
  無限幅限界における2層完全連結ネットワークのトレーニング力学について検討する。 このようなモデルの十分な大規模なアンサンブルが、高い確率で正確に実行するためにどのように訓練されるかを示す。 対数的に多くのトレーニングデータだけを用いて効率よく達成できることを示します。
  論文  参考訳（メタデータ） (2025-02-24T00:50:02Z)
• EHands: Quantum Protocol for Polynomial Computation on Real-Valued Encoded States [0.08209843760716957]
  量子プロセッサ上に多変数変換を実装するための量子ネイティブプロトコルであるEHandsを提案する。 EHandsは初期状態で作成されたベクトル化された実数値入力を直接操作する。 このプロトコルの有効性は、IBMのヘロン級量子プロセッサの実験的検証によって実証される。
  論文  参考訳（メタデータ） (2025-02-21T20:52:16Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Quantum Sparse Coding [5.130440339897477]
  我々はスパース符号化のための量子インスピレーション付きアルゴリズムを開発した。 量子コンピュータとイジングマシンの出現は、より正確な推定につながる可能性がある。 我々はLightrの量子インスパイアされたデジタルプラットフォーム上でシミュレーションデータを用いて数値実験を行う。
  論文  参考訳（メタデータ） (2022-09-08T13:00:30Z)

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。