論文の概要: Inherent interpretability provides inherent value in quantum machine learning
- arxiv url: http://arxiv.org/abs/2607.13827v1
- Date: Wed, 15 Jul 2026 13:33:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.786357
- Title: Inherent interpretability provides inherent value in quantum machine learning
- Title（参考訳）: Inherent Interpretabilityは量子機械学習に固有の価値を提供する
- Authors: Kaitlin Gili, Zachary P. Bradshaw,
- Abstract要約: 我々は、量子機械学習モデルの価値は、その固有の解釈可能性の提供の特徴から見出すことができると論じる。
量子情報ツールによって実現される多種多様な帰納バイアスを示すため、QML文献の例を概説する。
- 参考スコア（独自算出の注目度）: 0.20257616108612372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The field of quantum machine learning (QML) evolved to value models believed to most directly rival those providing utility in classical ML, namely large-scale neural networks. Although more recently, classical ML has been learning a hard lesson with respect to deploying un-interpretable neural networks in the wild: model interpretability matters for domain-adapted co-design and human adoption. We adopt this larger ML perspective to argue that quantum ML model value can be found through the characterization of its inherent interpretability offerings -- i.e. its mathematical structure that contributes meaningfully to desired model behavior for the specific ML task. To support our perspective, we provide a motivating example of a characterization with quantum Fourier models and random Fourier features (RFF) as approaches to approximate Gaussian process (GP) kernels for uncertainty quantification tasks in ML. The top-down and bottom-up complementarity of the two mathematical constructions reveals that quantum Fourier models offer different tools than RFFs for principled GP kernel design and interpretable discovery for uncertainty quantification with real-world data. To showcase the rich variety of inductive biases enabled by quantum information tools, we review examples from the QML literature -- including symmetry, metric geometry, and topology -- that can be used to design inherently interpretable ML models for specific tasks. We hope this framing encourages the QML community to value the inherent components and mechanisms of quantum models separately from task performance, as inherent interpretability might be the reason that a quantum model, and potentially a quantum computer, gets used in practice for ML.
- Abstract（参考訳）: 量子機械学習(QML)の分野は、古典的ML、すなわち大規模ニューラルネットワークでユーティリティを提供するモデルと直接競合するものとして、価値モデルへと進化した。
最近では、古典的なMLは、非解釈可能なニューラルネットワークを野生に展開する上で、厳しい教訓を学んでいる。
我々は、このより大きなMLの観点を採用し、量子MLモデルの価値は、その固有の解釈可能性(すなわち、特定のMLタスクに対して望ましいモデル動作に有意義に寄与する数学的構造)の特性を通して見出すことができると論じる。
本稿では,量子フーリエモデルとランダムフーリエ特徴量(RFF)による特徴付けのモチベーションとして,ガウス過程(GP)カーネルをMLにおける不確実量化タスクに近似する手法を提案する。
2つの数学的構成の上位とボトムアップの相補性は、量子フーリエモデルが原理化されたGPカーネル設計のためのRFFとは異なるツールを提供し、実世界のデータによる不確実な定量化のための解釈可能な発見を提供することを示している。
量子情報ツールによって実現される多種多様な帰納バイアスを示すために、特定のタスクに対して本質的に解釈可能なMLモデルを設計するために使用できる、対称性、メートル法、トポロジーを含むQML文献の例をレビューする。
このフレーミングによって、QMLコミュニティは、量子モデルや量子コンピュータが実際にMLに使用される理由として、タスクパフォーマンスとは別個の量子モデル固有のコンポーネントやメカニズムを評価できるようになることを願っています。
関連論文リスト
- QUIVER: Quantum-Informed Views for Enhanced Representations in Large ML Models [0.0]
我々は、量子フィッシャービューで古典的なデータ駆動機能を強化するパラダイムであるQUIVERを紹介する。
QUIVERは2つのベンチマークデータセットの標準的なパフォーマンス指標を、非常に異なる分野から改善することを示した。
論文 参考訳（メタデータ） (2026-06-01T18:50:28Z) - Component Based Quantum Machine Learning Explainability [0.0]
説明可能なMLアルゴリズムは、意思決定プロセスに対する透明性と洞察を提供するように設計されている。
本稿では、QMLアルゴリズムをコアコンポーネントに分割するモジュラーで説明可能なQMLフレームワークの作成について検討する。
各コンポーネントは、これらのQMLアルゴリズムの異なるコンポーネントを分析するために適応されたALEやSHAPなどの説明可能性技術を使用して分析される。
論文 参考訳（メタデータ） (2025-06-14T07:21:09Z) - 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) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Feature Importance and Explainability in Quantum Machine Learning [0.0]
多くの機械学習(ML)モデルはブラックボックスモデルと呼ばれ、なぜ予測されるのかについて本当の洞察を与えていない。
本稿では、古典的MLモデルと比較して量子機械学習(QML)の特徴的重要性と説明可能性について考察する。
論文 参考訳（メタデータ） (2024-05-14T19:12:32Z) - Dequantizing quantum machine learning models using tensor networks [0.0]
本稿では,変分量子機械学習(VQML)モデルの関数クラスの復号性について紹介する。
我々の定式化は、VQMLモデルの真の量子特性に応じて適切に区別できることを示す。
論文 参考訳（メタデータ） (2023-07-13T17:56:20Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Explaining Quantum Circuits with Shapley Values: Towards Explainable Quantum Machine Learning [1.0984331138780683]
人工知能(AI)や機械学習(ML)の手法はますます複雑化しており、同時に人々の生活にも影響を及ぼしている。
並行して、量子機械学習(QML)が登場し、量子コンピューティングハードウェアの改善とクラウドサービスによる可用性の向上が進行中である。
QMLは、量子力学を利用してMLタスク(典型的には量子と古典のリソースを組み合わせた量子古典的ハイブリッドアルゴリズム)を促進する量子強化MLを可能にする。
論文 参考訳（メタデータ） (2023-01-22T15:17:12Z) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳（メタデータ） (2022-05-10T08:05:59Z) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳（メタデータ） (2022-01-21T16:35:35Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z)
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。