論文の概要: "Train classical, deploy quantum" requires rethinking generalization
- arxiv url: http://arxiv.org/abs/2608.31117v1
- Date: Mon, 31 Aug 2026 17:26:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.540728
- Title: "Train classical, deploy quantum" requires rethinking generalization
- Title（参考訳）: 『古典的展開量子』は一般化を再考する必要がある
- Abstract要約: 直接サンプリングにより、量子および古典的生成モデルの幅広いセットをベンチマークする。
モーメントマッチング損失で訓練されたモデルは、一般的に、可能性訓練されたモデルよりもより悪い一般化を示す。
- 参考スコア（独自算出の注目度）: 42.16343861129583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models have become central across science and industry, from image and text synthesis to the design of molecules and materials. Quantum generative models are considered one of the most promising applications for quantum computers, since a quantum circuit naturally produces samples from the distribution it encodes, and for suitable circuits that distribution is believed to be hard for any classical computer to reproduce. A leading strategy trains these models on a classical computer and reserves the quantum device for generating samples at deployment. This is possible when the training loss can be evaluated on a classical computer. A prime example is the maximum mean discrepancy (MMD$^2$), a moment-matching loss that compares the model and the data through their Pauli-$Z$ correlations. Research so far has asked whether such models can be trained and whether their sampling is hard; whether minimizing such an objective yields a model that generalizes, rather than one that merely reproduces the training statistics, remains poorly understood. We benchmark a broad set of quantum and classical generative models by direct sampling and show that models trained with a moment-matching loss generally show worse generalization than the likelihood-trained models. We show this on two application-inspired datasets: first a cardinality-constrained dataset at up to $30$ qubits and second a dataset of genomic single-nucleotide variants, whose valid set is the observed data. These results indicate that a converged moment-matching loss is not a reliable measure of generalization, and that train-classical, deploy-quantum workflows will need approaches that target generalization directly, leaving open whether better training objectives suffice or whether the model architectures themselves must change.
- Abstract（参考訳）: 生成モデルは、画像やテキスト合成から分子や材料の設計に至るまで、科学や産業の中心となっている。
量子生成モデルは、量子回路が符号化した分布から自然にサンプルを生成するため、量子コンピュータにとって最も有望な応用の1つと考えられている。
先行戦略は、これらのモデルを古典的なコンピュータ上でトレーニングし、展開時にサンプルを生成するために量子デバイスを予約する。
これは、古典的なコンピュータ上でトレーニング損失を評価することが可能である。
主な例は最大平均差(MMD$^2$)であり、モデルとデータを比較するモーメントマッチング損失である。
これまでの研究では、そのようなモデルがトレーニング可能かどうか、サンプリングが難しいのか、あるいはそのような目的を最小化すれば、単にトレーニング統計を再現するモデルではなく、一般化するモデルが得られるのか、まだ理解されていない。
我々は、直接サンプリングにより、量子および古典的生成モデルの幅広いセットをベンチマークし、モーメントマッチング損失で訓練されたモデルが、確率訓練されたモデルよりもより悪い一般化を示すことを示す。
まず、濃度制約付きデータセットを最大30$ qubitsで、2つ目はゲノムの単一ヌクレオチド変異のデータセットで、その有効セットは観測データである。
これらの結果は、収束したモーメントマッチング損失が一般化の信頼できる尺度ではないことを示し、列車古典的な展開量子ワークフローは、より優れたトレーニング目的が十分であるかどうか、モデルアーキテクチャ自体が変化すべきかどうかを、直接的にターゲットとするアプローチを必要とすることを示唆している。
関連論文リスト
- Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
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。
論文 参考訳（メタデータ） (2026-08-11T04:22:42Z) - Quantum Fourier Generative Models Trainable at Large Scale [13.839852906168787]
本稿では,量子生成モデルの構築と学習のためのアルゴリズムフレームワークを提案する。
我々はログライクな損失によって大規模にトレーニングが可能となる、個別のトレーニング戦略を開発する。
提案手法は1000キュービットを超えるスケールでの損失推定を検証し,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2026-06-26T18:00:00Z) - Multi-Objective Learning for Diffusion Models: A Statistical Theory under Semi-Supervised Learning [83.65494573724904]
我々は、限られたデータを持つ拡散モデルのための原則的MOLフレームワークを開発する。
限られたペアデータから,まず軽量なスペシャリストモデルに適合する2段階のトレーニング手順を提案する。
与えられたペアサンプルの個数は、専門モデルクラスの複雑さにのみ依存することを示す境界一般化を確立する。
論文 参考訳（メタデータ） (2026-05-24T18:19:40Z) - Encoding Numerical Data for Generative Quantum Machine Learning [0.820994582033002]
実世界のデータは、しばしば数値であり、モデルがバイナリと連続表現を変換する必要がある。
我々は、データそのものとは無関係に、データのエンコード方法のアーチファクトである相関を学習するためにモデルが必要であることを示した。
本稿では,基本的にオーバーヘッドを伴わずに実装可能なグレイコードに基づく戦略を提案し,データ構造を保存し,標準アプローチが生成する状況において,人工的相関を回避する。
論文 参考訳（メタデータ） (2026-03-24T16:39:58Z) - Limits of quantum generative models with classical sampling hardness [2.321580694317368]
出力分布の観点から量子生成モデルについて検討する。
量子的優位性を示すモデルを含む、アンチ集中が平均的にトレーニングできないモデルがあることが分かりました。
生成モデルでは依然として量子的優位性が見いだせるが、その源泉は反集束と区別されなければならない。
論文 参考訳（メタデータ） (2025-12-31T11:40:50Z) - Photonic quantum generative adversarial networks for classical data [0.0]
生成学習では、ターゲットデータの分布に従う新しいサンプルを作成するためにモデルが訓練される。
線形光回路とフォック空間符号化に基づく量子GANを提案する。
単一光子量子プロセッサ上で実験的にモデルのエンドツーエンドをトレーニングすることで,モデルが画像を生成することを実証する。
論文 参考訳（メタデータ） (2024-05-09T18:00:10Z) - Predictive Models from Quantum Computer Benchmarks [0.0]
量子コンピュータの総合ベンチマークは、量子ハードウェアの性能をテストし、まとめるのに不可欠である。
本稿では,機能モデルを用いたベンチマークデータから予測モデルを構築するための一般的なフレームワークを紹介する。
このケーススタディでは、クラウドアクセス可能な量子コンピュータのデータとノイズの多い量子コンピュータのシミュレーションを用いています。
論文 参考訳（メタデータ） (2023-05-15T17:00:23Z) - 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) - 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) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z)
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。