論文の概要: Balancing Expressivity and Learnability in Quantum Kernel Bandit Optimization

• arxiv url: http://arxiv.org/abs/2607.01080v1
• Date: Wed, 01 Jul 2026 15:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.966055
• Title: Balancing Expressivity and Learnability in Quantum Kernel Bandit Optimization
• Title（参考訳）: 量子カーネル帯域最適化における表現性と学習性の評価
• Authors: Yuqi Huang, Vincent Y. F. Tan, Sharu Theresa Jose,
• Abstract要約: 我々は,不特定なGP帯域幅アルゴリズムを開発し,近似誤差と情報ゲインとのトレードオフを特徴付ける後悔境界を導出する。 提案手法は, 計算オーバーヘッドを大幅に低減しつつ, サンプル効率で完全量子カーネルの性能を向上する。
• 参考スコア（独自算出の注目度）: 50.880384999888044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate Gaussian process (GP) bandit optimization with quantum kernels, assuming the mean reward function lies in the reproducing kernel Hilbert space (RKHS) induced by the quantum kernel. This setting is motivated by NISQ-era tasks such as quantum control, state preparation and variational quantum algorithms. While quantum kernels can offer a `quantum advantage' via domain-specific inductive biases, naïvely using full, high-dimensional kernels increases model complexity and information gain, leading to higher cumulative regret and poor learnability. To address this, we propose projected quantum kernels and classical kernel approximation techniques that reduce feature dimensionality while preserving key quantum properties. Using these approximate kernels, we develop misspecified GP bandit algorithms and derive regret bounds that characterize the trade-off between approximation error and information gain. The regret bounds provide principled guidance for selecting the optimal model complexity. Empirically, our methods outperform full quantum kernels in sample efficiency, while substantially reducing computational overhead, enabling scalable GP optimization for quantum-native applications.
• Abstract（参考訳）: 我々は、量子カーネルによって誘導される再生カーネルヒルベルト空間(RKHS)に平均報酬関数が存在すると仮定して、量子カーネルによるガウス過程(GP)帯域最適化について検討する。 この設定は、量子制御、状態準備、変分量子アルゴリズムなどのNISQ時代のタスクによって動機付けられている。 量子カーネルはドメイン固有の帰納バイアスを通じて「量子優位性」を提供することができるが、完全な高次元カーネルを用いることで、モデルの複雑さと情報ゲインが増加し、累積的後悔と学習性の低下につながる。 そこで本研究では,鍵量子特性を保ちながら特徴次元を小さくする量子カーネルと古典的カーネル近似手法を提案する。 これらの近似カーネルを用いて、不特定なGP帯域幅アルゴリズムを開発し、近似誤差と情報ゲインとのトレードオフを特徴付ける後悔境界を導出する。 後悔のバウンダリは、最適なモデルの複雑さを選択するための原則化されたガイダンスを提供する。 実験により,本手法は完全量子カーネルよりも効率が高く,計算オーバーヘッドを大幅に削減し,量子ネイティブアプリケーションに対するスケーラブルなGP最適化を実現した。

関連論文リスト

• Quantum Generator Kernels [3.609036258672038]
  本稿では,量子カーネルに共通生成器をパラメータ化可能な演算子にマージする変分発生器群(VGG)の集合を含むジェネレータベースの量子カーネルアプローチを提案する。 我々の経験的結果は、最先端の量子および古典的カーネルアプローチと比較して、QGKのプロジェクションと分類能力が優れていることを示している。
  論文  参考訳（メタデータ） (2026-01-30T22:18:01Z)
• Quantum Circuit-Based Adaptation for Credit Risk Analysis [27.308408027453012]
  NISQ(Noisy and Intermediate-Scale Quantum)は、ノイズに敏感で、量子デコヒーレンスの傾向があり、フォールトトレラント量子計算のための連続的な量子エラー補正がまだできないプロセッサである。 超伝導量子処理ユニット上のハードウェア対応変分量子回路が、特定のユースケースのCredit Risk Analysisに関係のある分布をモデル化する方法を実験的に検討した。
  論文  参考訳（メタデータ） (2026-01-11T11:17:37Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Benign Overfitting with Quantum Kernels [5.499796332553708]
  量子カーネルは、量子状態間の内部積を測定することで、データポイント間の類似性を定量化する。 本稿では,量子カーネル構築のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-21T10:30:42Z)
• Power Characterization of Noisy Quantum Kernels [52.47151453259434]
  一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。 我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
  論文  参考訳（メタデータ） (2024-01-31T01:02:16Z)
• Near-Term Distributed Quantum Computation using Mean-Field Corrections and Auxiliary Qubits [77.04894470683776]
  本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。 我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
  論文  参考訳（メタデータ） (2023-09-11T18:00:00Z)
• Faster variational quantum algorithms with quantum kernel-based surrogate models [0.0]
  本稿では,雑音量子プロセッサ上での小型から中規模の変分アルゴリズムを提案する。 提案手法は,計算負荷をこれらのハイブリッドアルゴリズムの古典的成分にシフトさせ,量子プロセッサへのクエリ数を劇的に削減する。
  論文  参考訳（メタデータ） (2022-11-02T14:11:25Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)

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。