論文の概要: Quantum principal component analysis without eigenvector recovery

• arxiv url: http://arxiv.org/abs/2605.27942v1
• Date: Wed, 27 May 2026 04:27:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.743173
• Title: Quantum principal component analysis without eigenvector recovery
• Title（参考訳）: 固有ベクトル回復を伴わない量子主成分分析
• Authors: Yewei Yuan, Michele Minervini, Mark M. Wilde, Nana Liu,
• Abstract要約: 我々は、ハードトップ$kのプロジェクタをエントロピー規則化されたFermi-Diracフィルタに置き換える測定ベースのソフトPCAフレームワークを提案する。 このフィルタは量子測定として直接解釈され、自然に量子的アプローチを示唆する。 新しい入力に対して、同じ量子回路はソフトプリンシパル部分空間スコア、スペクトルエネルギープロファイル、ポストセレクトされたフィルター状態を得る。
• 参考スコア（独自算出の注目度）: 9.811303336285961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Principal component analysis (PCA) is traditionally implemented through a covariance or kernel matrix, leading-eigenvector extraction, and hard rank-$k$ projection. These steps can be computationally costly in high-dimensional and quantum-data settings, sensitive to small eigengaps, and unnecessary when downstream tasks only require principal-subspace scores. Such score-based objectives are important in applications such as anomaly detection, spectral-energy profiling, and other postselection tasks. To address these needs, we introduce a measurement-based soft PCA framework replacing the hard top-$k$ projector with an entropy-regularized Fermi--Dirac filter. This filter is the unique optimizer of an entropy-regularized variational formulation of PCA and converges to the classical PCA projector in the zero-temperature limit. This filter has a direct interpretation as a quantum measurement, which naturally suggests a quantum approach. For centered covariance operators represented by quantum feature states, a single fixed circuit, together with threshold calibration, accesses all optimal filters for different rank budgets or retained-variance levels without rank-dependent circuit updates or eigenvector recovery. For new inputs, the same calibrated quantum circuit yields soft principal subspace scores, spectral energy profiles, and postselected filtered states. The required centering of both training and test data is performed coherently inside the quantum protocol, which is particularly important for quantum data where no classical feature vectors or centered Gram matrix are directly available. By reframing PCA as a calibrated measurement task, this framework bypasses the need for iterative eigenvector extraction and achieves a dimension-independent sample complexity $O(η^{-2})$ for normalized fractional-rank or retained variance scoring at additive accuracy $η$.
• Abstract（参考訳）: 主成分分析(PCA)は、伝統的に共分散またはカーネル行列、先行固有ベクトル抽出、ハードランク$k$プロジェクションによって実装されている。 これらのステップは、高次元および量子データ設定で計算コストがかかり、小さな固有ギャップに敏感であり、下流タスクが主部分空間スコアのみを必要とする場合、不要である。 このようなスコアに基づく目的は、異常検出、スペクトルエネルギープロファイリング、その他のポストセレクションタスクなどの応用において重要である。 これらのニーズに対処するために、ハードトップ$k$のプロジェクタをエントロピー規則化されたFermi--Diracフィルタに置き換える計測ベースのソフトPCAフレームワークを導入する。 このフィルタは、エントロピー規則化されたPCAの変分定式化のユニークな最適化器であり、ゼロ温度極限において古典的PCAプロジェクタに収束する。 このフィルタは量子測定として直接解釈され、自然に量子的アプローチを示唆する。 量子的特徴状態で表される中心共分散演算子に対して、1つの固定回路はしきい値のキャリブレーションとともに、ランク依存の回路更新や固有ベクトル回復なしに、異なるランクの予算または保持分散レベルのための全ての最適フィルタにアクセスする。 新しい入力に対して、同じ校正量子回路はソフトプリンシパル部分空間スコア、スペクトルエネルギープロファイル、ポストセレクトされたフィルター状態を得る。 特に古典的特徴ベクトルや中心となるグラム行列が直接利用できない量子データにとって重要である。 PCAを校正された測定タスクとすることで、このフレームワークは反復固有ベクトル抽出の必要性を回避し、正規化分数ランクまたは加算精度$η$の分散スコアに対して次元非依存のサンプル複雑性$O(η^{-2})$を達成する。

関連論文リスト

• PrismQuant: Rate-Distortion-Optimal Vector Quantization for Gaussian-Mixture Sources [32.267305083092594]
  コンポーネントラベルを損失なく送信し、コンポーネントマッチングKLTを用いて残余を符号化するPrismQuantを導入する。 実世界のチャネル状態情報(CSI)データに対する実験は、トランスフォーマーベースの学習コーデックと比較して、競争力または優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-15T01:05:28Z)
• Filtered Spectral Projection for Quantum Principal Component Analysis [1.2318267573115809]
  Filtered Spectral Projection Algorithm (FSPA) 振幅符号化された中心データに対して、アンサンブル密度行列$=sum_i p_i|_iranglelangle_i|$は共分散行列と一致する。 非中心データの場合、$$は中心化せずにPCAに対応し、標準PCAからの偏差を定量化する固有値インターレース境界を導出する。
  論文  参考訳（メタデータ） (2026-03-13T11:55:39Z)
• High-Rate Quantized Matrix Multiplication: Theory and Practice [29.75700570685703]
  本研究では,量子化行列乗法(MatMul)の問題点について検討する。 1) 両行列を量子化(重+量子化)しなければならないジェネリック・マトマルと,2) 第二行列が共分散行列$_X$でのみ知られている重みのみの量子化である。
  論文  参考訳（メタデータ） (2026-01-23T21:32:44Z)
• Performance Guarantees for Quantum Neural Estimation of Entropies [31.955071410400947]
  量子神経推定器(QNE)は古典的ニューラルネットワークとパラメトリズド量子回路を組み合わせたものである。 非漸近的エラーリスク境界の形で測定された相対エントロピーのQNEの形式的保証について検討する。 我々の理論は、測定された相対エントロピーに対するQNEの原則的実装を促進することを目的としている。
  論文  参考訳（メタデータ） (2025-11-24T16:36:06Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Adaptive Bayesian Single-Shot Quantum Sensing [35.355128149649666]
  変分量子センシングにおいて、プローブ量子システムはパラメータ化量子回路を介して生成される。 本稿では,ベイズ推定を用いて能動情報ゲインを最適化する適応プロトコルを提案する。
  論文  参考訳（メタデータ） (2025-07-22T11:35:27Z)
• Randomized semi-quantum matrix processing [0.0]
  汎用行列関数をシミュレートするためのハイブリッド量子古典的フレームワークを提案する。 この方法は、対象関数のチェビシェフ近似上のランダム化に基づいている。 コストのかかるパラメータの2次高速化を含む,平均深度に対する利点を実証する。
  論文  参考訳（メタデータ） (2023-07-21T18:00:28Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• BSQ: Exploring Bit-Level Sparsity for Mixed-Precision Neural Network Quantization [32.770842274996774]
  混合精度量子化は、ディープニューラルネットワークの性能と圧縮率の最適なトレードオフを実現できる可能性がある。 従来の方法は、小さな手作業で設計された検索空間のみを調べるか、面倒なニューラルネットワークアーキテクチャ検索を使用して広大な検索空間を探索する。 本研究では、ビットレベルスパーシティを誘導する新たな角度から、混合精度量子化に取り組むためのビットレベルスパーシティ量子化(BSQ)を提案する。
  論文  参考訳（メタデータ） (2021-02-20T22:37:41Z)

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。