Fugu-MT 論文翻訳(概要): Quantum Incremental Learning with Mixed State Prototypes

論文の概要: Quantum Incremental Learning with Mixed State Prototypes

arxiv url: http://arxiv.org/abs/2608.10464v1
Date: Tue, 11 Aug 2026 04:22:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.897583
Title: Quantum Incremental Learning with Mixed State Prototypes
Title（参考訳）: 混合状態プロトタイプを用いた量子インクリメンタル学習
Abstract要約: トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
参考スコア（独自算出の注目度）: 53.319426778720434
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Incremental learning models are required to learn new classes sequentially without catastrophic forgetting, while operating under parameter and memory constraints. In the Noisy Intermediate-Scale Quantum (NISQ) era, although quantum neural networks offer advantages in feature mapping, hardware limitations restrict circuit width. Furthermore, traditional quantum classifiers are constrained by the number of orthogonal basis states, limiting their capacity to accommodate a continually growing number of categories. Thus, we introduce a novel quantum incremental learning framework based on trainable mixed-state prototypes. Its original design incorporates new classes by adding class prototypes rather than increasing the circuit width of the shared quantum backbone. The use of mixed-state prototypes is another key contribution, since they have representation capabilities to represent information than a single pure-state prototype. And the decomposable mixed-state calculation provides lower production costs and a convenient Hilbert-Schmidt (HS) distance metric for classification. Simulation results show that our model achieves high-dimensional feature concentration using a minimal number of qubits, while demonstrating lower computational complexity and robust representation in incremental learning tasks compared with classical baselines.
Abstract（参考訳）: 増分学習モデルは、パラメータとメモリ制約の下で動作しながら、破滅的な忘れをすることなく、新しいクラスを逐次学習する必要がある。 Noisy Intermediate-Scale Quantum (NISQ) 時代において、量子ニューラルネットワークは特徴マッピングの利点を提供するが、ハードウェア制限は回路幅を制限する。さらに、伝統的な量子分類器は直交基底状態の数によって制約され、その能力は継続的に増加するカテゴリ数に制限される。そこで本研究では,トレーニング可能な混合状態プロトタイプに基づく量子インクリメンタル学習フレームワークを提案する。当初の設計では、共有量子バックボーンの回路幅を増やすのではなく、クラスプロトタイプを追加することで新しいクラスが組み込まれていた。混合状態のプロトタイプの使用は、単一の純粋状態のプロトタイプよりも情報を表現できる表現能力を持つため、もうひとつの重要な貢献である。また、分解可能な混合状態計算は、生産コストを低くし、分類に便利なヒルベルト・シュミット距離測定(HS)を提供する。シミュレーションの結果,本モデルでは,古典的ベースラインと比較して計算複雑性が低く,頑健な表現が可能である一方で,最小限の量子ビットを用いて高次元の特徴集中を達成できることが示唆された。

関連論文リスト

Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits [0.0]
画像分類のためのコンパクトな量子トランスファー学習アーキテクチャのファミリを紹介する。我々はPennyLaneとQiskitで実装された古典量子ハイブリッドモデルのインスタンス化と評価を行う。実験の結果,提案した量子伝達学習アーキテクチャは競争力があり,いくつかの場合において精度が優れていることがわかった。
論文参考訳（メタデータ） (2026-03-17T12:28:33Z)
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)
Readout-Side Bypass for Residual Hybrid Quantum-Classical Models [3.609274776085931]
量子機械学習(QML)はコンパクトで表現力のある表現を約束するが、測定ボトルネックに悩まされる。本稿では,分類前の生入力で量子的特徴を確認可能な,軽量な残差ハイブリッドアーキテクチャを提案する。我々のモデルは、低通信コストとプライバシーの堅牢性を保ちながら、量子ベースラインよりも最大で55%精度が向上する。
論文参考訳（メタデータ） (2025-11-25T23:27:53Z)
Entanglement and Classical Simulability in Quantum Extreme Learning Machines [0.0]
本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
論文参考訳（メタデータ） (2025-09-08T16:43:37Z)
An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文参考訳（メタデータ） (2025-04-13T11:49:53Z)
Single-Qudit Quantum Neural Networks for Multiclass Classification [0.0]
本稿では,マルチクラス分類のための単一量子ニューラルネットワークを提案する。我々の設計では$d$次元のユニタリ演算子を使用し、$d$はクラスの数に対応する。我々は,MNISTデータセットとEMNISTデータセットを用いたモデルの評価を行い,競合精度を実証した。
論文参考訳（メタデータ） (2025-03-12T11:12:05Z)
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)
A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文参考訳（メタデータ） (2023-03-27T22:48:28Z)
Ensemble-learning variational shallow-circuit quantum classifiers [4.104704267247209]
本稿では,ブートストラップ集約と適応的ブースティングという,アンサンブル学習の2つの手法を提案する。これらのプロトコルは古典的な手書き数字や対称性で保護されたトポロジカルハミルトニアンの量子位相の識別のために例示されている。
論文参考訳（メタデータ） (2023-01-30T07:26:35Z)
Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文参考訳（メタデータ） (2021-09-05T15:15:07Z)

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。