論文の概要: Shapley Valuation of Finite-Copy Quantum Data Depends on Physical Access

• arxiv url: http://arxiv.org/abs/2609.04788v1
• Date: Fri, 04 Sep 2026 06:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.935387
• Title: Shapley Valuation of Finite-Copy Quantum Data Depends on Physical Access
• Title（参考訳）: 物理アクセスに依存する有限コピー量子データのShapley Valuation
• Abstract要約: データバリュエーションは、データコントリビュータのトレーニングによる学習ユーティリティのメリットを問うものだ。 我々のフレームワークは、物理アクセスを量子データ評価自体の構成要素として扱うことで、この依存を明確化します。 数値実験により、物理アクセスモデルのみを変更すると、同一の量子サンプルが異なる値とランクを受信できることが示されている。
• 参考スコア（独自算出の注目度）: 10.481986290704821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data valuation asks how learning utility should be attributed to training data contributors. Most classical formulations begin after data have become reusable records, so the physical readout of the data is effectively fixed. Finite-copy quantum data are different: unknown states are consumable physical systems, and the same supplied states and downstream task can yield different Shapley values under different physical access models. Our framework makes this dependence explicit by treating physical access as a component of quantum data valuation itself. We establish an exact connection between physical-access advantage and contributor-level data valuation. For nested access models, we prove that the maximal downstream utility gain enabled by richer physical access exactly determines the largest symmetric Shapley ranking-reversal margin. More generally, for arbitrary access-model pairs, including non-nested ones, we derive an exact geometric characterization of the possible shifts of the full Shapley attribution vector. For fixed learning pipelines, we further obtain an operational Shapley-observable representation for finite-copy valuation. Numerical experiments demonstrate that identical quantum samples can receive different values and rankings when only the physical access model is changed. These results establish that quantum data value is not an intrinsic property of the underlying states alone, but emerges from the interaction between quantum states, physical access, and the downstream learning task.
• Abstract（参考訳）: データバリュエーションは、データコントリビュータのトレーニングによる学習ユーティリティのメリットを問うものだ。 ほとんどの古典的な定式化は、データが再利用可能な記録になった後に始まり、データの物理的読み出しは効果的に固定される。 未知の状態は消費可能な物理システムであり、同じ供給状態と下流タスクは異なる物理アクセスモデルの下で異なるシェープリー値を生成することができる。 我々のフレームワークは、物理アクセスを量子データ評価自体の構成要素として扱うことで、この依存を明確化します。 物理的アクセス優位性とコントリビュータレベルのデータバリュエーションの正確な関係を確立する。 ネストされたアクセスモデルでは、よりリッチな物理アクセスによって可能となる最大ダウンストリームユーティリティゲインが、最大対称シェープリーランク-リバーサルマージンを正確に決定することを証明する。 より一般的には、非ネステッドなものを含む任意のアクセスモデル対に対して、全シャプリー帰属ベクトルの可能なシフトの正確な幾何学的特徴を導出する。 固定学習パイプラインでは、有限コピー評価のためのShapley-observable表現がさらに得られる。 数値実験により、物理アクセスモデルのみを変更すると、同一の量子サンプルが異なる値とランクを受信できることが示されている。 これらの結果は、量子データ値は基礎状態のみの本質的性質ではなく、量子状態、物理的アクセス、下流学習タスク間の相互作用から生じることを証明している。

関連論文リスト

• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• $ζ$-QVAE: A Quantum Variational Autoencoder utilizing Regularized Mixed-state Latent Representations [1.0687104237121408]
  量子コンピューティングにおける大きな課題は、量子ハードウェアリソースが不足しているため、大規模な実世界のデータセットに適用することである。 古典的VAEのすべての機能を含む完全量子フレームワークである$zeta$-QVAEを提示する。 我々の結果は、$zeta$-QVAEが潜在空間の容量をよりよく活用する表現を学習していることを示している。
  論文  参考訳（メタデータ） (2024-02-27T18:37:01Z)
• Measurement-Device-Independent Detection of Beyond-Quantum State [53.64687146666141]
  量子外状態検出のための測定デバイス非依存(MDI)テストを提案する。 本稿では,入力集合のトモグラフィ完全性の重要性について論じる。
  論文  参考訳（メタデータ） (2023-12-11T06:40:13Z)
• What can we learn from quantum convolutional neural networks? [15.236546465767026]
  量子データを利用したモデルが、隠れた特徴写像を通してどのように解釈できるかを示す。 量子位相認識の高性能は、臨界点における鋭い特徴を持つ非常に効果的な基底を生成することから生じる。 我々の分析は量子データを扱う際の一般化の改善を強調している。
  論文  参考訳（メタデータ） (2023-08-31T12:12:56Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Quantum Similarity Testing with Convolutional Neural Networks [4.540894342435848]
  制約データと雑音データを用いて未知の連続変数状態を比較する機械学習アルゴリズムを開発した。 我々のアプローチは、低次元状態表現に基づいて量子状態の類似性を評価する畳み込みニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2022-11-03T09:24:23Z)
• Quantum kernels for real-world predictions based on electronic health records [0.0]
  医療・生命科学における経験的量子優位性(EQA)に関する最初の体系的研究を報告する。 各構成座標に対して、IBM量子コンピュータを用いて、放射基底関数(RBF)カーネルとカスタムカーネルを用いた量子モデルに基づく古典的サポートベクトルマシン(SVM)モデルを訓練した。 我々は、量子カーネルが特定のデータセットに利点をもたらすレシエーションを実証的に特定し、与えられたモデルの精度を定量的に見積もる指標である地形粗さ指数を導入した。
  論文  参考訳（メタデータ） (2021-12-12T12:06:19Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)
• Gaussian Process States: A data-driven representation of quantum many-body physics [59.7232780552418]
  我々は、絡み合った多体量子状態をコンパクトに表現するための、新しい非パラメトリック形式を示す。 この状態は、非常にコンパクトで、体系的に即効性があり、サンプリングに効率的である。 また、量子状態に対する普遍的な近似器として証明されており、データセットのサイズが大きくなるにつれて、絡み合った多体状態も捉えることができる。
  論文  参考訳（メタデータ） (2020-02-27T15:54:44Z)

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。