論文の概要: A regularization method for quantum neural networks using data symmetry

• arxiv url: http://arxiv.org/abs/2607.03805v1
• Date: Sat, 04 Jul 2026 10:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.726625
• Title: A regularization method for quantum neural networks using data symmetry
• Title（参考訳）: データ対称性を用いた量子ニューラルネットワークの正規化法
• Abstract要約: データ対称性の活用は、量子ニューラルネットワーク(QNN)において、一般化とトレーニング効率を改善するための重要な戦略となっている。 入力データ対称性に基づくQNNの新しい正規化手法を提案する。 分類タスクと量子生成逆数ネットワークの両方に関する数値実験により,その有効性を検証する。
• 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: Leveraging data symmetries has recently become a key strategy in quantum neural networks (QNNs) to improve generalization and training efficiency. In this study, we propose a novel regularization method for QNNs based on input data symmetry. By introducing a penalty term that encourages the model to align with data symmetry, our method enables improved training speed and generalization. This symmetry-based regularization is simple to implement and does not require prior knowledge of the symmetry group. We validate its effectiveness through numerical experiments on both classification tasks and quantum generative adversarial networks. Empirical results demonstrate faster convergence and lower test errors. Furthermore, we provide a theoretical generalization bound using Rademacher complexity and conjecture a condition under which models with symmetry exhibit better generalization. Our findings highlight the potential of symmetry-aware regularization in enhancing the performance of QML models.
• Abstract（参考訳）: データ対称性の活用は、量子ニューラルネットワーク(QNN)において、一般化とトレーニング効率を改善するための重要な戦略となっている。 本研究では,入力データ対称性に基づくQNNの新しい正規化手法を提案する。 モデルがデータ対称性に整合することを奨励するペナルティ項を導入することにより、トレーニング速度と一般化を改善することができる。 この対称性に基づく正則化は実装が簡単であり、対称性群の事前の知識を必要としない。 分類タスクと量子生成逆数ネットワークの両方に関する数値実験により,その有効性を検証する。 実験結果から、より高速な収束とテストエラーの低減が示される。 さらに、ラデマッハ複雑性を用いて有界な理論的な一般化と、対称性を持つモデルがより良い一般化を示す条件を予想する。 本研究は,QMLモデルの性能向上における対称性を考慮した正規化の可能性を明らかにするものである。

関連論文リスト

• Reducing Symmetry Increase in Equivariant Neural Networks [21.62431626298374]
  我々は、対称性の増大を、その減少のための原則的な枠組みとともに詳細に詳細に、詳細に評価する。 本稿では,有害な対称性の増加を防止するための特徴設計の実践的ガイドラインを提案する。 合成データセットと実世界のQM9データセットの両方について可視化と実験を行う。
  論文  参考訳（メタデータ） (2026-08-12T12:46:25Z)
• Aligning Network Equivariance with Data Symmetry: A Theoretical Framework and Adaptive Approach for Image Restoration [71.51826063983434]
  画像復元は本質的に逆問題である。 非厳密対称性を制約として、復元逆問題を定式化する。 最適復元演算子の等値誤差はデータ対称性誤差と離散化メッシュサイズによって厳密に制限されていることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:22:19Z)
• Geometric Quantum Physics Informed Neural Network [0.0]
  本稿では,PDEの幾何学構造を直接量子回路アンサッツに組み込む幾何学的量子物理学情報ニューラルネットワーク(GQPINN)を紹介する。 GQPINNは、より低い平均絶対誤差で定量化され、トレーニング可能なパラメータをかなり少なくして、解の精度を向上させる。 これらの結果は、量子PDEソルバの効率向上と一般化に向けた効果的な経路として、対称性を意識した量子回路設計を同定する。
  論文  参考訳（メタデータ） (2026-05-04T08:55:29Z)
• Reinforcement Learning Using known Invariances [54.91261509214309]
  本稿では、既知のグループ対称性をカーネルベースの強化学習に組み込むための理論的枠組みを開発する。 対称性を意識したRLは、標準のカーネルよりも大幅に性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-11-05T13:56:14Z)
• Learning Broken Symmetries with Approximate Invariance [1.0485739694839669]
  多くの場合、正確な基礎となる対称性は理想化されたデータセットにのみ存在し、実際のデータに分解される。 データ拡張や同変ネットワークのような標準的なアプローチは、完全な、壊れた対称性の性質を表現できない。 本稿では,制約のないネットワークの一般性と性能と,制約のないネットワークの高速学習のバランスをとる学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-12-25T04:29:04Z)
• The Empirical Impact of Neural Parameter Symmetries, or Lack Thereof [50.49582712378289]
  ニューラル・ネットワーク・アーキテクチャの導入により,ニューラル・パラメータ・対称性の影響について検討する。 我々は,パラメータ空間対称性を低減するために,標準的なニューラルネットワークを改良する2つの手法を開発した。 実験により,パラメータ対称性の経験的影響に関する興味深い観察がいくつか示された。
  論文  参考訳（メタデータ） (2024-05-30T16:32:31Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Proximal Symmetric Non-negative Latent Factor Analysis: A Novel Approach to Highly-Accurate Representation of Undirected Weighted Networks [2.1797442801107056]
  Undirected Weighted Network (UWN) は、ビッグデータ関連のアプリケーションで一般的に見られる。 既存のモデルは本質対称性や低データ密度のモデル化に失敗する。 近軸対称非負の潜在因子分析モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-06T13:03:24Z)
• Theory for Equivariant Quantum Neural Networks [0.0]
  本質的に任意の対称性群に対して等変量子ニューラルネットワーク(EQNN)を設計するための理論的枠組みを提案する。 私たちのフレームワークは、量子機械学習のほぼすべての領域に簡単に適用できます。
  論文  参考訳（メタデータ） (2022-10-16T15:42:21Z)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• Sampling asymmetric open quantum systems for artificial neural networks [77.34726150561087]
  非対称な開系に対する高速収束時間と高いスケーラビリティを実現し,非対称性を考慮したハイブリッドサンプリング戦略を提案する。 我々は、ニューラルネットワークの普遍的適用性を強調し、ニューラルネットワークの普遍的適用性を概説する。
  論文  参考訳（メタデータ） (2020-12-20T18:25:29Z)

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。