Fugu-MT 論文翻訳(概要): On a Central Limit Theorem and Sanov's principle for quantum neural networks

論文の概要: On a Central Limit Theorem and Sanov's principle for quantum neural networks

arxiv url: http://arxiv.org/abs/2606.21721v1
Date: Fri, 19 Jun 2026 20:10:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 03:48:33.109588
Title: On a Central Limit Theorem and Sanov's principle for quantum neural networks
Title（参考訳）: 量子ニューラルネットワークにおける中心極限定理とサノフの原理について
Authors: Anderson Melchor Hernandez,
Abstract要約: 本研究では,教師付き学習問題に対する勾配流を用いて学習した量子ニューラルネットワークによって生成されたエキスパートの混合のゆらぎについて検討する。我々の主な成果は、中央極限定理(CLT)と、専門家の数が多様化するにつれて、サノフの MoE の原理を確立することである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we study the fluctuations of a Mixture of Experts (MoE) generated by a quantum neural network trained via gradient flow on supervised learning problems. Our main results establish the Central Limit Theorem (CLT), and Sanov's principle for an MoE as the number of experts diverges. We demonstrate that the fluctuations of the empirical measure of its parameters close to its corresponding limit probability measure solve a linear transport equation. As a byproduct, we show that the MoE converges to a limit function which solves an evolution equation governed by the neural tangent kernel associated with the quantum neural network.
Abstract（参考訳）: 本研究では,教師付き学習問題に対する勾配流を用いて学習した量子ニューラルネットワークが生成するMixture of Experts(MoE)の変動について検討する。我々の主な成果は、中央極限定理(CLT)と、専門家の数が多様化するにつれて、サノフの MoE の原理を確立することである。本研究では,そのパラメータの対応する極限確率測度に近い経験的尺度のゆらぎが線形輸送方程式を解くことを実証する。副生成物として、MoEは量子ニューラルネットワークに付随するニューラルネットワークが支配する進化方程式を解く極限関数に収束することを示す。

関連論文リスト

Generalization Bounds for Physics-Informed Neural Networks for the Incompressible Navier-Stokes Equations [42.57657519369106]
この研究は、ナヴィエ・ストークス方程式の解を近似する方法の一般化誤差に基づいて、厳密な上界を確立する。我々は、教師なし物理情報ニューラルネットワークフレームワークを用いて、深度2のニューラルネットワークを訓練した。提案する活性化関数と対応する境界を,Taylor-Green vortexベンチマークを解くPINNセットアップ上で実証検証する。
論文参考訳（メタデータ） (2026-03-24T11:08:34Z)
Asymptotic Expansions for Neural Network Approximations of Quantum Channels [0.0]
本稿では,量子ニューラルネット演算子の完全な評価法として,量子Voronovskaya-Damasclin(QVD)理論を確立する。我々は、リウヴィル表現においてフレシェ微分可能性を通じて定義されるソボレフ空間とハルダー空間の量子アナログを導入する。本枠組みでは,近似誤差の明示的な拡張を導出し,収束を規定する基本的なメカニズムを同定する。
論文参考訳（メタデータ） (2026-03-09T18:12:57Z)
Generalization Bounds for Quantum Learning via Rényi Divergences [45.45698347373077]
この研究は、量子学習アルゴリズムの期待される一般化誤差に基づいて、上界の新たなファミリーを確立することにより、量子学習の理論的理解を推し進める。私たちの主な貢献は、量子的および古典的R'enyi発散の観点でこれらの境界の導出である。
論文参考訳（メタデータ） (2025-05-16T09:21:31Z)
Mean-field limit from general mixtures of experts to quantum neural networks [3.7498611358320733]
本研究では,教師付き学習問題に対する勾配流を通したMixture of Experts(MoE)の挙動について検討した。我々の主な成果は、専門家の数が多様化するにつれて、MoEのカオスの伝播を確立します。
論文参考訳（メタデータ） (2025-01-24T17:29:41Z)
Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics [0.0]
物理インフォームドニューラルネットワーク(PINN)は、ユークリッド空間における量子電磁力学(QED)のダイソン・シュウィンガー方程式を解くために用いられる。我々のPINNフレームワークは、積分方程式を直接損失関数に挿入することで、単一ニューラルネットワークがモータのスペクトル上での質量関数の連続的かつ微分可能な表現を学習することができる。
論文参考訳（メタデータ） (2024-11-04T15:36:17Z)
Expressibility-induced Concentration of Quantum Neural Tangent Kernels [4.561685127984694]
量子タンジェントカーネルモデルのトレーニング可能性と表現性の関係について検討する。大域的損失関数に対して、大域的および局所的な量子符号化の両方の高表現性は、量子接核値の指数集中を0に導くことを厳密に証明する。我々の発見は量子ニューラル・タンジェント・カーネルの重要な特徴を明らかにし、広い量子変動回路モデルの設計に有用な洞察を提供する。
論文参考訳（メタデータ） (2023-11-08T19:00:01Z)
Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
論文参考訳（メタデータ） (2023-07-06T17:54:08Z)
The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文参考訳（メタデータ） (2022-12-22T16:06:24Z)
A Functional-Space Mean-Field Theory of Partially-Trained Three-Layer Neural Networks [49.870593940818715]
本稿では,第1層がランダムで固定された3層NNモデルの無限幅限界について検討する。我々の理論はモデルの異なるスケーリング選択に対応しており、結果としてMF制限の2つの条件が顕著な振舞いを示す。
論文参考訳（メタデータ） (2022-10-28T17:26:27Z)
A Dynamical Central Limit Theorem for Shallow Neural Networks [48.66103132697071]
平均極限の周りのゆらぎは、トレーニングを通して平均正方形に有界であることを証明する。平均場ダイナミクスがトレーニングデータを補間する尺度に収束すると、最終的にCLTスケーリングにおいて偏差が消えることを示す。
論文参考訳（メタデータ） (2020-08-21T18:00:50Z)

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。