論文の概要: Empirical Characterization of Learning Geometry in Hybrid Quantum Forecasting Models
- arxiv url: http://arxiv.org/abs/2608.19497v1
- Date: Wed, 19 Aug 2026 23:24:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.415725
- Title: Empirical Characterization of Learning Geometry in Hybrid Quantum Forecasting Models
- Title（参考訳）: ハイブリッド量子予測モデルにおける学習幾何学の実証評価
- Abstract要約: 我々は、コンパクトなハイブリッド量子予測モデルの学習力学と、構造的に整列した古典的ベースラインを比較した。
古典的なモデルはより強い初期目標アライメントを示す一方、ハイブリッドモデルは一般的に、より集中度の低いカーネルスペクトルとより小さなカーネルドリフトを発達させる。
- 参考スコア（独自算出の注目度）: 1.7643828635590282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We characterize the learning dynamics of a compact hybrid quantum forecasting model through comparison with a structurally aligned classical baseline. Using stationary harmonic-mixture and nonstationary chirp benchmarks with controlled spectral complexity and data availability, we analyze empirical Neural Tangent Kernel dynamics through kernel-target alignment, kernel drift, spectral concentration, and training loss. The classical model exhibits stronger early target alignment, whereas the hybrid model generally develops a less concentrated kernel spectrum and smaller kernel drift. Despite these distinct optimization geometries, both architectures attain similar held-out performance across the evaluated regimes. Notably, the hybrid model uses 125 trainable parameters compared with 281 for the classical baseline and reaches its validation-selected checkpoint earlier in 15 of 18 frequency conditions. A Fourier-augmented classical baseline does not reproduce the observed training behavior, while a controlled re-uploading ablation shows that repeated encoding systematically modifies both optimization and kernel geometry. These results demonstrate that comparable generalization can emerge from substantially different learning trajectories and that individual NTK diagnostics do not provide monotonic predictors of validation convergence. Rather than claiming a general quantum advantage, the study identifies architecture-dependent learning behavior that is masked by endpoint accuracy alone.
- Abstract（参考訳）: 我々は、構造的に整列した古典的ベースラインとの比較により、コンパクトなハイブリッド量子予測モデルの学習力学を特徴付ける。
固定ハーモニック・ミキチャーと非定常チャープ・ベンチマークを用いて,カーネル・ターゲットアライメント,カーネルドリフト,スペクトル集中,トレーニング損失などの経験的ニューラルタンジェント・カーネルダイナミクスを解析した。
古典的なモデルはより強い初期目標アライメントを示す一方、ハイブリッドモデルは一般的に、より集中度の低いカーネルスペクトルとより小さなカーネルドリフトを発達させる。
これらの異なる最適化ジオメトリにもかかわらず、両方のアーキテクチャは、評価されたレシエーション全体で同様な保留性能を達成している。
特に、ハイブリッドモデルは古典的ベースラインの281と比較して125のトレーニング可能なパラメータを使用し、18の周波数条件のうち15の早期に検証選択されたチェックポイントに達する。
フーリエ拡張された古典的ベースラインは観察されたトレーニング動作を再現しないが、制御された再アップロードアブレーションは、繰り返し符号化が最適化とカーネル幾何学の両方を体系的に修正していることを示している。
これらの結果は、ほぼ異なる学習軌跡から同等の一般化が生まれ、個々のNTK診断が検証収束の単調な予測子を提供していないことを示している。
この研究は、一般的な量子優位性を主張するのではなく、エンドポイントの精度だけで隠蔽されるアーキテクチャに依存した学習行動を特定する。
関連論文リスト
- Quantum Hamiltonian Evolution for Coherent Quantum Learning [0.0]
損失関数を符号化するハミルトニアンの下で、モデルパラメータが量子自由度である量子学習モデルのトレーニングフレームワークであるコヒーレント量子学習(CQL)を紹介する。
論文 参考訳（メタデータ） (2026-09-03T10:41:23Z) - Generalized Convexity and Smoothness via Conjugate Duality: Optimization Theory for Deep Neural Networks [0.0]
勾配降下(SGD)を用いたディープニューラルネットワーク(DNN)トレーニングとその変種は、強い経験的性能を達成する。
伝統的な分析は微分可能性、凸性、滑らかさといった仮定に依存している。
我々は,円凸非平滑性と滑らかな非平滑な目的を統一する,$mathcalH()$スムースネスと$mathcalH()$スムースネスを導入する。
論文 参考訳（メタデータ） (2026-08-10T12:24:29Z) - Quantum Machine Learning Applied to the Sinking of the Titanic [0.0]
量子モデルは、最大50の変動パラメータを持つパウリエンタングリングと非エンタングリング拡張ベースの特徴写像とリアル振幅アンサッツを用いて構築された。
モデルトレーニングでは、クロスエントロピー損失を最小限に抑えるため、COBYLAグラデーションフリーフレームワークを使用した。
論文 参考訳（メタデータ） (2025-08-31T16:00:52Z) - A theoretical framework for overfitting in energy-based modeling [5.1337384597700995]
相互作用ネットワークの同定を目的とした逆問題に対するペアワイズエネルギーベースモデルの学習における限られたデータの影響について検討する。
これらの時間スケールとトレーニングの初期条件との相互作用から早期停止の最適点が生じることを示す。
本稿では、スコアマッチングの下でのスコア関数のニューラルネットワークカーネルダイナミクスを導出することにより、任意のエネルギーベースモデルへの一般化を提案する。
論文 参考訳（メタデータ） (2025-01-31T14:21:02Z) - Model-Based Qubit Noise Spectroscopy [0.0]
古典的な信号処理からインスピレーションを得てモデルに基づくQNSアプローチを導出する。
シミュレーションと実験データの両方を通して、これらのモデルに基づくQNSアプローチが、古典的手法の統計的および計算的利点をいかに維持するかを示す。
論文 参考訳（メタデータ） (2024-05-20T09:30:38Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。
NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。
我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
論文 参考訳（メタデータ） (2022-09-29T16:54:53Z) - On the generalization of learning algorithms that do not converge [54.122745736433856]
ディープラーニングの一般化解析は、訓練が一定の点に収束すると仮定するのが一般的である。
最近の結果は、実際には勾配降下に最適化されたディープニューラルネットワークの重みは、しばしば無限に振動することを示している。
論文 参考訳（メタデータ） (2022-08-16T21:22:34Z) - Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
平均場ランゲヴィン力学の収束速度解析について述べる。
ダイナミックスに付随する$p_q$により、凸最適化において古典的な結果と平行な収束理論を開発できる。
論文 参考訳（メタデータ） (2022-01-25T17:13:56Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳（メタデータ） (2020-02-20T15:43:02Z)
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。