論文の概要: Overcoming Fourier Locking in Quantum Data Re-uploading Classifiers via Spectral Homotopy

• arxiv url: http://arxiv.org/abs/2607.11013v1
• Date: Mon, 13 Jul 2026 02:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.303699
• Title: Overcoming Fourier Locking in Quantum Data Re-uploading Classifiers via Spectral Homotopy
• Title（参考訳）: スペクトルホモモトピによる量子データ再アップロード分類器におけるフーリエロックの克服
• Authors: Spencer Topel,
• Abstract要約: データ再ロード量子回路(DRUPQC)は普遍関数近似器である。 DRUPQCの主なボトルネックは、構造的ミスアライメントではなく、フーリエロックと呼ばれる障害モードであることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data re-uploading parameterized quantum circuits (DRU-PQCs) are universal function approximators, yet their expressivity produces oscillatory, non-convex loss landscapes that resist gradient-based optimization. We show that the primary optimization bottleneck in DRU-PQCs is not insufficient capacity but a structural failure mode we term Fourier locking (FL): because encoding weights and entangling layers are nonlinearly coupled, random initialization on high-frequency targets collapses the encoding parameters into spurious local minima. Two Fisher diagnostics characterize FL. The input-space quantum Fisher information $F_x$ measures the effective frequency content of the encoded state; the Fisher discriminant ratio of the measured features measures their alignment with the class labels. In two independent 50-seed experiments, the locking is literal: trapped circuits hold $F_x$ frozen for the entire run, while escaping circuits migrate their frequency content (direct training: $r_{pb} = -0.48$; curriculum: $d = 1.34$; both $p < 0.001$). The replicated signature is this spectral mobility, not any endpoint value of $F_x$, and trapped circuits retain a fully non-degenerate parameter-space QFIM ($r_{pb} \approx 0$): the failure is spectral misalignment of a responsive state, not a loss of geometric sensitivity. A frequency-staged homotopy protocol that paces the target frequency ($f: 1.0 \to 3.0$) convexifies the early loss landscape; escaping circuits raise $F_x$ in step with the curriculum, and the escape rate triples (18% vs. 6%). Fourier locking is a frequency-alignment problem, and its remedy is frequency pacing.
• Abstract（参考訳）: データ再ロードパラメタライズド量子回路(DRU-PQCs)は普遍関数近似器であるが、その表現性は勾配に基づく最適化に抵抗する振動性のない非凸損失ランドスケープを生成する。 符号化重みと絡み合う層は非線形に結合しているため、高周波ターゲットのランダム初期化は符号化パラメータを急激な局所最小値に分解する。 FLを特徴付ける2つのフィッシャー診断 入力空間量子フィッシャー情報$F_x$は、符号化された状態の有効な周波数内容を測定し、測定された特徴のフィッシャー判別比は、クラスラベルとのアライメントを測定する。 2つの独立した50シードの実験では、ロックはリテラルである: 閉じ込められた回路は実行中に$F_x$をフリーズし、エスケープ回路はそれらの周波数コンテンツを移行する(直接トレーニング:$r_{pb} = -0.48$; カリキュラム:$d = 1.34$; どちらも$p < 0.001$)。 複製されたシグネチャはスペクトルモビリティであり、$F_x$のエンドポイント値ではなく、トラップ回路は完全な非退化パラメータ空間QFIM(r_{pb} \approx 0$)を保持する。 ターゲットの周波数(f: 1.0 \to 3.0$)をペースする周波数ステージのホモトピープロトコルは、早期の損失ランドスケープを凸し、エスケープ回路はカリキュラムと段階的に$F_x$を上昇させ、エスケープレートは3倍(18%対6%)となる。 フーリエロックは周波数アライメントの問題であり、その対策は周波数ペーシングである。

関連論文リスト

• Depth-Efficient Quantum Topological Data Analysis for Regime-Specific Detection of Financial Stress [0.0]
  パウリ相関最適化(PCE)の量子トポロジカルデータ解析への最初の適応について述べる。 Takensの埋め込みとVietoris-RipsによるS&P500リターンのフィルタリングから、ラプラシアン$0.8を抽出し、変分デフレを伴う連続PCE商としてnull空間カウントを再キャストする。
  論文  参考訳（メタデータ） (2026-07-10T18:56:45Z)
• Show the Signal, Hide the Noise: Spectral Forcing for Pixel-Space Diffusion [46.51681899437508]
  本稿では,パラメータフリーで時間条件付き2D-DCTローパス演算子であるSpectral Forcingを導入する。 その遮断は拡散時間とともに単調に膨張し、データエンドポイントのアイデンティティとなる。 JiT-700M/32のImageNet-256では、Spectral Forcingは、異なるトレーニングエポック間で、FIDとInception Scoreの両方を一貫して改善している。
  論文  参考訳（メタデータ） (2026-06-13T10:29:11Z)
• Spectral Anatomy of Quantum Gaussian Process Kernels [38.264196157340216]
  我々は,Nystrm近似誤差に束縛されたコーシー=シュワルツテール,有限サンプル分散抽出等式,およびエンフターゲット依存の最適エントロピーのキャラクタリゼーションを証明した。 診断はカーネルに依存しない: ハードウェア効率、マッチゲート、IQPのインハンドRBF/Matérn/RFF/deep-カーネルファミリはすべて同一の$S/log n$曲線に崩壊する。
  論文  参考訳（メタデータ） (2026-05-29T07:41:14Z)
• Metric--Phase Fields: Decoupling Distance and Sign for Thin-Structure Reconstruction from Unoriented Point Clouds [67.30236447078187]
  本稿では,距離近接を位相相から分離する非結合な暗黙的表現であるMetric-Phase Fields (MPFs)を紹介する。 合成および走査された薄殻形状と薄板形状の両方の実験により、MPFは最近のSDF法よりも薄くて層状構造を忠実に保存することが示された。
  論文  参考訳（メタデータ） (2026-05-25T07:08:57Z)
• Scaling Attention via Feature Sparsity [50.64995497733461]
  超長期のコンテキストにトランスフォーマーをスケールすることは、自己注意のコスト$O(n2 d)$コストによってボトルネックとなる。 本稿では,高次元表現性を維持するために,クエリとキーを$k$sparseコードとして表現するスパース特徴注意法を提案する。 GPT-2とQwen3の事前トレーニングで、SFAは密度の高いベースラインにマッチし、最高2.5タイムのスピードを向上し、FLOPとKVキャッシュを50%近く削減した。
  論文  参考訳（メタデータ） (2026-03-17T08:41:50Z)
• Long Range Frequency Tuning for QML [2.34764060945577]
  トレーニング可能な周波数アプローチでは、ターゲットのスペクトルサイズに合わせるために理論的にこれを削減し、ターゲットのスペクトルの周波数と同じ数の符号化ゲートしか必要としない。 勾配に基づく最適化は任意の目標値にプレファクタを誘導するが、訓練性は限定的であることを示す。 3次符号化を用いたグリッドベース初期化を提案し、高密度整数周波数スペクトルを生成する。
  論文  参考訳（メタデータ） (2026-02-26T14:56:37Z)
• DifGa: Differentiable Error Mitigation for Multi-Mode Gaussian and Non-Gaussian Noise in Quantum Photonic Circuits [4.11280059407553]
  DifGaはガウス的損失と弱い非ガウス的ノイズの下で動作している連続可変量子フォトニック回路のフレームワークである。 モンテカルロ平均化を用いたノイズアウェアトレーニングは、ガウス訓練による回復と比較して1桁以上の誤差を低減し、堅牢な一般化をもたらす。
  論文  参考訳（メタデータ） (2025-12-29T13:18:21Z)
• Random quantum circuits transform local noise into global white noise [118.18170052022323]
  低忠実度状態におけるノイズランダム量子回路の測定結果の分布について検討する。 十分に弱くユニタリな局所雑音に対して、一般的なノイズ回路インスタンスの出力分布$p_textnoisy$間の相関(線形クロスエントロピーベンチマークで測定)は指数関数的に減少する。 ノイズが不整合であれば、出力分布は、正確に同じ速度で均一分布の$p_textunif$に近づく。
  論文  参考訳（メタデータ） (2021-11-29T19:26:28Z)
• Bayesian Federated Learning over Wireless Networks [87.37301441859925]
  フェデレーションラーニングは、ローカルデバイスに保存された異種データセットを使用したプライバシー保護と分散トレーニング方法です。 本稿では、スケーラブルBFL (SBFL) と呼ばれる効率的な修正BFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-31T07:32:44Z)

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。