論文の概要: A Matched Spectral Benchmark of Quantum Inspired Feature Maps
- arxiv url: http://arxiv.org/abs/2605.24324v1
- Date: Sat, 23 May 2026 01:05:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:17.933151
- Title: A Matched Spectral Benchmark of Quantum Inspired Feature Maps
- Title（参考訳）: 量子インスパイアされた特徴写像のスペクトルベンチマーク
- Authors: Toheeb Ogunade, Taofeek Kassim, Etinosa Osaro,
- Abstract要約: アンプ、アングル、ベースエンコーディングは古典的教師あり学習のための決定論的特徴写像として評価される。
振幅符号化は単位球正規化によって情報を除去でき、角度符号化は生の線形特徴と幾何的に冗長になり、基底符号化は滑らかな決定構造に不整合な二元ハミング幾何を課すことができることを示す。
- 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: Quantum machine learning is often motivated by the idea that quantum systems can expose useful high-dimensional structure that is difficult to access with classical models. We isolate one central component of this claim: the fixed data-encoding map. Amplitude, angle, and basis encoding are evaluated as deterministic feature maps for classical supervised learning under matched output dimensionality and strong classical controls. The benchmark compares these encodings against raw linear models, random Fourier features, polynomial features, PCA, RBF SVMs, and shallow neural networks across diverse classical datasets. Rather than treating performance as a single endpoint, we analyze the geometry of each representation through effective rank, condition number, centered kernel alignment, predictive performance, and practical overhead. The resulting picture is mechanistic: amplitude encoding can remove magnitude information through unit-sphere normalization, angle encoding can become geometrically redundant with raw linear features, and basis encoding can impose a binary Hamming geometry that is poorly aligned with smooth decision structure. These findings do not argue against quantum computation, however, they show that fixed quantum-inspired encoding geometry alone is not a reliable source of machine-learning advantage on classical data.
- Abstract（参考訳）: 量子機械学習は、古典的なモデルではアクセスが困難である有用な高次元構造を量子システムが公開できるという考えに動機づけられることが多い。
この主張の1つの中心的な構成要素である固定データエンコーディングマップを分離する。
振幅、角度、基底符号化は、一致した出力次元と強い古典制御の下での古典教師あり学習のための決定論的特徴写像として評価される。
ベンチマークでは、これらのエンコーディングを、生の線形モデル、ランダムなフーリエ特徴、多項式特徴、PCA、RBF SVM、様々な古典的データセットにわたる浅いニューラルネットワークと比較している。
性能を単一エンドポイントとして扱うのではなく,実効的なランク,条件数,カーネルアライメントの中心,予測性能,現実的なオーバーヘッドを通じて,各表現の幾何を解析する。
振幅符号化は単位球正規化により大きさ情報を除去でき、角度符号化は原線型特徴と幾何的に冗長になり、基底符号化は滑らかな決定構造に不整合な二元ハミング幾何学を課すことができる。
これらの結果は量子計算に反するものではないが、固定量子にインスパイアされた符号化は古典的なデータに対する機械学習の利点の信頼できる情報源ではないことを示している。
関連論文リスト
- Discovering Data Encoding Strategies for Quantum-Classical Neural Networks Using Monte Carlo Tree Search [0.9558392439655014]
量子機械学習(QML)は研究の関心を惹きつけているが、古典的なアプローチよりも実用的なメリットを提供するかどうかはまだ明らかではない。
我々はモンテカルロ木探索(MCTS)を用いて量子古典畳み込みニューラルネットワーク(QCCNN)のための最適なデータ符号化回路を発見する。
本研究は,QMLにおけるデータエンコーディングの実践的手法と,データエンコーディングの有効性に関する新たな知見を提供する。
論文 参考訳（メタデータ） (2026-05-18T15:21:42Z) - Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。
このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。
我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
論文 参考訳（メタデータ） (2026-01-29T14:29:21Z) - A Mixture of Experts Vision Transformer for High-Fidelity Surface Code Decoding [12.998419492098462]
トポロジカル・スタビライザーの符号は、その幾何学的局所性と実践的関連性から特に魅力的である。
本稿では,量子ビジョン変換器を用いたデコーダQuantumSMoEを提案する。
トーリックコードの実験は、QuantumSMoEが最先端の機械学習デコーダより優れていることを示した。
論文 参考訳（メタデータ） (2026-01-18T16:49:59Z) - 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) - Quantum Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。
この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-02-17T16:04:04Z) - Exponential Quantum Communication Advantage in Distributed Inference and Learning [19.827903766111987]
本稿では,量子ネットワーク上で分散計算を行うフレームワークを提案する。
このフレームワーク内のモデルでは、指数的に少ない通信で勾配勾配を用いた推論と訓練を行うことができることを示す。
また、このクラスのモデルが入力の高非線形特徴を符号化できることを示し、その表現性はモデル深度とともに指数関数的に増加することを示した。
論文 参考訳（メタデータ） (2023-10-11T02:19:50Z) - The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。
本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-04-14T19:46:39Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Understanding the Mapping of Encode Data Through An Implementation of
Quantum Topological Analysis [0.7106986689736827]
複素ヒルベルト空間に埋め込まれたデータのトポロジーを解析することにより,符号化手法の違いを可視化できることを示す。
提案手法は,異なる量子機械学習モデルにおいて慎重に検討する必要があることを示唆する。
論文 参考訳（メタデータ） (2022-09-21T18:46:08Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z)
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。