論文の概要: Tailor Made Embeddings for Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2606.26312v1
• Date: Wed, 24 Jun 2026 18:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.058748
• Title: Tailor Made Embeddings for Quantum Machine Learning
• Title（参考訳）: Tailorが量子機械学習のための埋め込みを開発
• Abstract要約: 古典的データのタスク固有の量子埋め込みを学習する変分オートエンコーダフレームワークを提案する。 我々は,高次元データセットを13量子ビットの量子表現に圧縮できる一方で,学習復号器によって再構成可能であることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoencoders transformed classical machine learning by solving the curse of dimensionality, enabling principled weight initialization and learning compact, structured representations. In this work, we extend this paradigm to quantum machine learning by introducing a variational autoencoder framework that learns task-specific quantum embeddings of classical data. We demonstrate that high-dimensional datasets, including ImageNet, can be compressed into a 13-qubit quantum representation while remaining reconstructable through a learned decoder. On MNIST (3 vs 5), our approach achieves 98.5% validation accuracy using a circuit-centric quantum classifier, within 1.2 percentage points of a classical neural network baseline (99.7%) and more than 30 percentage points above a naive amplitude-embedding approach. Unlike amplitude embeddings, which require full quantum state tomography for recovery, or angle embeddings, which generally rely on circuit inversion under restrictive assumptions, the proposed framework reconstructs the original data from only a polynomial number of measurements. The framework was further validated on IBM quantum hardware, confirming that the learned embeddings remain stable and reconstructable under real device noise.
• Abstract（参考訳）: オートエンコーダは、次元の呪いを解くことで古典的な機械学習を変革し、原則化されたウェイトの初期化とコンパクトで構造化された表現の学習を可能にした。 本研究では,古典データのタスク固有の量子埋め込みを学習する変分オートエンコーダフレームワークを導入することにより,このパラダイムを量子機械学習に拡張する。 我々は、ImageNetを含む高次元データセットを13量子ビットの量子表現に圧縮できる一方で、学習されたデコーダによって再構成可能であることを示した。 MNIST(3対5)では、回路中心量子分類器を用いて98.5%の検証精度、古典的ニューラルネットワークベースライン(99.7%)の1.2ポイント以内、および単純振幅埋め込みアプローチよりも30パーセント以上精度を達成している。 回復のために完全な量子状態トモグラフィや角度埋め込みを必要とする振幅埋め込みとは異なり、提案手法は、一般に制限的な仮定の下で回路反転に依存するため、多項式数だけから元のデータを再構成する。 このフレームワークはIBMの量子ハードウェア上でさらに検証され、学習された埋め込みが実際のデバイスノイズの下で安定して再構築可能であることを確認した。

関連論文リスト

• 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)
• Quantum Autoencoder: An efficient approach to quantum feature map generation [4.999000519911876]
  量子オートエンコーダを300万個のペプチド配列で数値的に訓練する。 本研究は,高血圧性ペプチドの予測を含む複数のペプチド分類問題に対して有効性を評価する。 その結果、量子オートエンコーダが学習した表現は、ハミルトンのベースラインよりも0.4%から8.1%の精度の向上を達成することが示された。
  論文  参考訳（メタデータ） (2025-09-23T15:35:26Z)
• Machine Learning for Quantum Noise Reduction [0.0]
  そこで本研究では,雑音密度行列からクリーンな量子状態を直接再構成する機械学習手法を提案する。 畳み込みニューラルネットワーク(CNN)オートエンコーダアーキテクチャを用いて量子ノイズ低減を教師付き学習問題として定式化する。 以上の結果から,CNNに基づく密度行列再構成は,従来の量子誤り訂正に代わる,有望かつ資源効率のよい代替手段となることが示唆された。
  論文  参考訳（メタデータ） (2025-09-17T00:13:07Z)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• Comparing Quantum Encoding Techniques [0.0]
  本研究では、特にハイブリッド量子古典機械学習の文脈における符号化手法について検討する。 本研究は,QuClassi量子ニューラルネットワークアーキテクチャを用いて,MNISTデータセットから3'および6'桁のバイナリ分類を行い,精度,エントロピー,損失,ノイズ耐性などの指標を得る。
  論文  参考訳（メタデータ） (2024-10-11T00:14:31Z)
• Enhancing the performance of Variational Quantum Classifiers with hybrid autoencoders [0.0]
  本稿では,特定の量子埋め込みを考慮し,与えられたデータセットの次元性を低減する方法を提案する。 この方法は、VQCを用いた量子機械学習をより汎用的で高次元のデータセットに効果的にすることを目的としている。
  論文  参考訳（メタデータ） (2024-09-05T08:51:20Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Disentangling Quantum and Classical Contributions in Hybrid Quantum Machine Learning Architectures [4.646930308096446]
  ハイブリッドトランスファー学習ソリューションが開発され、訓練済みの古典モデルと量子回路を融合した。 それぞれのコンポーネント(古典的、量子的)がモデルの結果にどの程度貢献するかは、まだ不明である。 本稿では,プレトレーニングされたネットワークを圧縮に利用する代わりに,オートエンコーダを用いて,圧縮したデータから圧縮したデータを導出するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-11-09T18:13:50Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• 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)

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。