論文の概要: A Theory of Finite-Noise Optima and Generalization in Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2608.24229v1
• Date: Tue, 25 Aug 2026 08:32:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.884223
• Title: A Theory of Finite-Noise Optima and Generalization in Quantum Machine Learning
• Title（参考訳）: 量子機械学習における有限ノイズ最適化と一般化の理論
• Abstract要約: 量子ノイズは、回路をノイズレスの実装から遠ざけることで量子機械学習を劣化させると予想されている。 しかし最近の研究では、中程度の雑音は試験誤差を減少させ、弱い雑音の摂動誤差の蓄積や強い雑音の訓練可能性の崩壊によって説明できない振る舞いが示されている。 そこで我々は,微視的ノイズ過程とマクロ的学習性能を結合する統計的学習理論を開発した。
• 参考スコア（独自算出の注目度）: 5.083987940956758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum noise is expected to degrade quantum machine learning by driving circuits away from their noiseless implementations. Yet recent studies show moderate noise can reduce testing error, a behavior unexplained by weak-noise perturbative error accumulation or strong-noise trainability collapse. Here we develop a statistical learning theory connecting microscopic noise processes to macroscopic learning performance. At its heart is a noise-order purity parameter, derived from a surrogate model analysis, that predicts the noise-induced reduction in model complexity and the consequent reduction in the generalization gap. Noise simultaneously increases prediction bias. Their competition explains the intermediate-noise regime left open between these limits. It produces a finite-noise optimum whose location depends on the learning setup and can disappear in the large-sample limit. Numerical experiments validate these predictions. Noise programming can move a model towards this optimum. These results make the non-monotonic effect of noise predictable and provide a route to harness it.
• Abstract（参考訳）: 量子ノイズは、回路をノイズレスの実装から遠ざけることで量子機械学習を劣化させると予想されている。 しかし最近の研究では、中程度の雑音は試験誤差を減少させ、弱い雑音の摂動誤差の蓄積や強い雑音の訓練可能性の崩壊によって説明できない振る舞いが示されている。 そこで我々は,微視的ノイズ過程とマクロ的学習性能を結合する統計的学習理論を開発した。 その中心にあるノイズオーダー純度パラメータは、サロゲートモデル解析から導かれるもので、モデル複雑性のノイズ誘起還元と、一般化ギャップの連続還元を予測する。 騒音は同時に予測バイアスを増加させる。 彼らの競争は、中間ノイズ体制がこれらの制限の間に開放されたことを説明している。 学習環境に依存し、大きなサンプルの極限で消える有限ノイズ最適値を生成する。 数値実験はこれらの予測を検証する。 ノイズプログラミングはこの最適化に向けてモデルを動かすことができる。 これらの結果はノイズの非単調効果を予測可能とし、それを利用するための経路を提供する。

関連論文リスト

• Exact learning of quantum noise with tensor networks [0.0]
  本稿では,量子エラー補正症候群と論理観測データから直接ノイズモデルを学習する変分フレームワークを提案する。 我々は,この目的がアドホックではなく,情報理論の最小論理誤差率を十分に表現可能な雑音アンサッツであることを示す。
  論文  参考訳（メタデータ） (2026-08-31T18:01:16Z)
• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• Rethinking Quantum Noise in Quantum Machine Learning: When Noise Improves Learning [5.083987940956758]
  量子ノイズは、通常、短期量子コンピューティングの基本的な障害と見なされる。 我々はこの合意に異議を唱える数値的な証拠を提示する。 分子特性予測のための量子グラフニューラルネットワークの実験を通して、量子ノイズが不均一応答を誘導することを発見した。
  論文  参考訳（メタデータ） (2026-01-19T18:21:35Z)
• Exploiting biased noise in variational quantum models [0.0]
  変分量子アルゴリズム(VQA)は、短期量子ハードウェア上で量子ユーティリティを実証するための有望なツールである。 古典的最適化過程における量子ノイズの影響について検討する。 トワイリングは、ノイズをシンメトリーズするために標準的な誤り軽減戦略でよく用いられるが、実際には変動条件下での性能を低下させる。
  論文  参考訳（メタデータ） (2025-10-28T04:14:20Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Mixture of Noise for Pre-Trained Model-Based Class-Incremental Learning [59.635264288605946]
  クラスインクリメンタルラーニング(CIL)は,旧来の知識を維持しつつ,新たなカテゴリを継続的に学習することを目的としている。 バックボーンに軽量な微調整を適用する既存のアプローチは、依然としてドリフトを誘発する。 バックボーン一般化の劣化を軽減し,新しいタスクを適応させることを目的として,Mixture of Noise (Min)を提案する。
  論文  参考訳（メタデータ） (2025-09-20T16:07:20Z)
• Disambiguating Pauli noise in quantum computers [5.9039349711987645]
  学習可能なパラメータが自己整合的に特徴づけられる場合、学習不可能な(ゲージ)自由度はノイズダイナミクスやエラー軽減の予測に影響を与えないことを示す。 我々は,最近導入されたゲートセットパウリ雑音学習の枠組みを用いて,完全ゲートセットの雑音を効率よく自己整合的に特徴付け,緩和する。
  論文  参考訳（メタデータ） (2025-05-28T17:46:17Z)
• Limitations of probabilistic error cancellation for open dynamics beyond sampling overhead [1.1864834557465163]
  確率的誤差キャンセルのような手法は、進化を有限時間ステップに離散化し、各時間ステップの後に緩和層を適用することに依存する。 これは、たとえエラー軽減が理想的に実装されたとしても、シミュレーション結果にトロッターのようなエラーを引き起こす可能性がある。 シミュレーション対象のユニタリ部,デバイスノイズ部,オープンダイナミックスのノイズ部との交換関係によって決定されることを示す。
  論文  参考訳（メタデータ） (2023-08-02T21:45:06Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。