論文の概要: Rademacher Complexity Bounds for Parameterized Quantum Circuits Generated by Pauli Strings

• arxiv url: http://arxiv.org/abs/2605.29546v1
• Date: Thu, 28 May 2026 07:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.044124
• Title: Rademacher Complexity Bounds for Parameterized Quantum Circuits Generated by Pauli Strings
• Title（参考訳）: パウリ弦によるパラメータ化量子回路のラデマッハ複素性境界
• Abstract要約: Rademacherの複雑性を解析するために、$n $-qubit Pauli文字列からジェネレータを選択するパラメータ化ユニタリを$ mathcalR_M $で解析する。 パラメータの個数$ L $ とトレーニングサンプルの個数$ M から単純なスケーリング境界を導出する。
• 参考スコア（独自算出の注目度）: 1.7767466724342065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we analyze the Rademacher complexity $ \mathcal{R}_{M} $ of a parameterized unitary whose generators are chosen from $ n $-qubit Pauli strings. Although generalization bounds for quantum machine learning models have been studied in several settings, explicit Rademacher-complexity bounds for parameterized unitaries generated by Pauli strings remain less transparent. We derive simple scaling bounds in terms of the number of parameters $ L $ and the number of training samples $ M $: $ \mathcal{O}(\frac{L^{\frac{3}{2}}}{\sqrt{M}}) $ for the full parameter domain and $ \mathcal{O}(\frac{L}{\sqrt{M}}) $ for a restricted parameter domain. Furthermore, we compare the obtained results with those for a classical linear model class and suggest a potential statistical-complexity advantage when the norms of both the input and the parameter in the classical model scale with the number of parameters. Numerical experiments provide qualitative evidence consistent with the predicted scaling.
• Abstract（参考訳）: 本研究では、Radecherの複雑性 $ \mathcal{R}_{M} $ のパラメータ化ユニタリを解析し、生成元が $ n $-qubit Pauli 文字列から選択される。 量子機械学習モデルの一般化境界はいくつかの設定で研究されているが、パウリ弦によって生成されるパラメータ化ユニタリに対する明示的なラデマッハ複雑境界は透明性が低いままである。 パラメータの個数$ L $とトレーニングサンプルの個数$ M $: $ \mathcal{O}(\frac{L^{\frac{3}{2}}}{\sqrt{M}}) $ for the full parameters domain and $ \mathcal{O}(\frac{L}{\sqrt{M}}) $ for a limited parameters domain。 さらに、古典的線形モデルクラスと比較し、古典的モデルスケールにおける入力とパラメータのノルムとパラメータのノルムとをパラメータ数で比較した場合、統計的・複雑性優位性を示す。 数値実験は、予測スケーリングと一致する定性的な証拠を提供する。

関連論文リスト

• Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
  分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。 我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
  論文  参考訳（メタデータ） (2026-08-06T19:49:48Z)
• Particle-preserving fermionic shadows with mode-independent sample complexity [0.0]
  我々は、未知の$$$$$$n$-modeフェルミオン状態に関して、粒子保存作用素の期待値の学習問題を考察する。 我々の主な応用は任意のスレーター行列状態との重なりを推定することである。 第1量子符号化では、近似ユニタリ設計により、モード数で回路深さが多値になる。
  論文  参考訳（メタデータ） (2026-06-25T16:37:29Z)
• Tight $L_\infty$ Sample Complexity for Low-Degree and Sparse Boolean Polynomials [2.5199066832791535]
  ブールハイパーキューブ上でのサロゲートの学習問題について検討する。 通常の$L$型保証よりも、均一な$L_infty$-error保証が必要です。 本結果は,最適化セーフなサロゲートを学習する際のサンプルの複雑さの厳密な証明を提供する。
  論文  参考訳（メタデータ） (2026-06-15T22:00:03Z)
• On the Optimal Sample Complexity of Offline Multi-Armed Bandits with KL Regularization [54.77408659142336]
  Kullback-Leibler (KL) の正規化は、オフラインの意思決定で広く使われている。 大規模な正規化の下では$tildeO(SAC*/)$のサンプル複雑性を実現する。 また、よりシャープなサンプル複雑性の下界も提供し、これは正規化強度の全範囲にわたる上界と一致する。
  論文  参考訳（メタデータ） (2026-05-04T01:46:35Z)
• The Cost of Robustness: Tighter Bounds on Parameter Complexity for Robust Memorization in ReLU Nets [22.963810255498796]
  本稿では,$mathrmReLU$ネットワークに対するロバスト記憶のパラメータ複雑性について検討する。 パラメータカウントの上と下の境界は、ロバストネス比 $rho = mu / epsilon$ の関数として成立する。
  論文  参考訳（メタデータ） (2025-10-28T17:09:43Z)
• Exact Sequence Interpolation with Transformers [0.0]
  変換器は, 有限入力列のデータセットを$mathbbRd$, $dgeq 2$で正確に補間できることを示す。 具体的には、$mathbbRd$の任意の長さの$N$シーケンスと$m1, dots, mN in MathcalN$の出力シーケンスを与えられた場合、$mathcalO(sum_j=1N mj)$ブロックと$で変換器を構築する。
  論文  参考訳（メタデータ） (2025-02-04T12:31:00Z)
• The Sample Complexity of Online Reinforcement Learning: A Multi-model Perspective [55.15192437680943]
  連続状態と行動空間を持つ非線形力学系の一般設定におけるオンライン強化学習のサンプル複雑性について検討した。 我々のアルゴリズムは、$mathcalO(N epsilon2 + Mathrmln(m(epsilon)/epsilon2)$のポリシーを後悔する。 力学がコンパクトで実数値のパラメータ集合によってパラメータ化される特別な場合、$mathcalO(sqrt)のポリシー後悔を証明する。
  論文  参考訳（メタデータ） (2025-01-27T10:01:28Z)
• Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
  本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。 我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。 我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-05-10T09:58:47Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
  我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。 我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
  論文  参考訳（メタデータ） (2024-01-17T18:59:38Z)
• The Sample Complexity Of ERMs In Stochastic Convex Optimization [13.896417716930687]
  実際に$tildeO(fracdepsilon+frac1epsilon2)$データポイントも十分であることを示す。 さらに、この結果を一般化し、全ての凸体に対して同様の上界が成り立つことを示す。
  論文  参考訳（メタデータ） (2023-11-09T14:29:25Z)
• Intrinsic Sensitivity Limits for Multiparameter Quantum Metrology [0.0]
  量子クラム・ラオ境界はパラメータ推定の最終的な精度を与える。 情報がユニタリ変換で符号化された場合、自然に重み行列を選択することができることを示す。 これにより、パラメトリゼーションの選択とは無関係な内在的境界が保証される。
  論文  参考訳（メタデータ） (2021-05-10T18:00:03Z)
• Small Covers for Near-Zero Sets of Polynomials and Learning Latent Variable Models [56.98280399449707]
  我々は、s$ of cardinality $m = (k/epsilon)o_d(k1/d)$ に対して $epsilon$-cover が存在することを示す。 構造的結果に基づいて,いくつかの基本的高次元確率モデル隠れ変数の学習アルゴリズムを改良した。
  論文  参考訳（メタデータ） (2020-12-14T18:14:08Z)
• Linear-Sample Learning of Low-Rank Distributions [56.59844655107251]
  ktimes k$, rank-r$, matrices to normalized $L_1$ distance requires $Omega(frackrepsilon2)$ sample。 我々は、$cal O(frackrepsilon2log2fracepsilon)$ sample, a number linear in the high dimension, and almost linear in the matrices, usually low, rank proofs.というアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-30T19:10:32Z)
• Sample Efficient Reinforcement Learning via Low-Rank Matrix Estimation [30.137884459159107]
  連続状態と行動空間を用いた強化学習において,Q$関数を効率よく学習する方法を考える。 我々は、$epsilon$-Schmidt $Q$-functionと$widetildeO(frac1epsilonmax(d1, d_2)+2)$のサンプル複雑性を求める単純な反復学習アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2020-06-11T00:55:35Z)

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。