論文の概要: Balancing Expressivity and Overfitting in Quantum Gaussian Process Regression

• arxiv url: http://arxiv.org/abs/2609.09407v1
• Date: Tue, 08 Sep 2026 20:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.80507
• Title: Balancing Expressivity and Overfitting in Quantum Gaussian Process Regression
• Title（参考訳）: 量子ガウス過程回帰における表現性とオーバーフィッティングのバランス
• Abstract要約: 本稿では,GPRを用いて能動学習の計算力学を変化させる量子カーネルの特異性について検討する。 汎用的で非構造的カーネルは大規模では指数集中に悩まされるが、小規模でもGPR性能は崩壊する可能性があることを実証的に実証する。 この結果は、指数集中を避け、短期量子デバイスにおけるカーネルトレーニングに有用なノイズの種類を示すために設計された制限量子カーネルの実用的応用に移行する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning is a paradigm of machine learning that can be utilized to model expensive black-box functions by training a surrogate model from actively queried training points. The performance of this framework depends heavily on the choice of the surrogate model. When the surrogate is Gaussian Process Regression (GPR), its performance is largely determined by the expressivity of the underlying kernel. In this work, we investigate the peculiarities of using a quantum kernel to change the computational dynamics of active learning with GPR, focusing on the sensitivity to regularization by hyperparameter tuning. While generic, unstructured kernels suffer from exponential concentration at large scale, we empirically demonstrate that even at small scale overfitting can collapse GPR performance. Kernel regularization can be used to counteract this effect, but due to the smoothness of the quantum fidelity kernel, regularization must be carefully chosen to balance expressivity and overfitting. Our qualitative results transfer to the practical application of restricted quantum kernels designed to avoid exponential concentration and also present the kinds of noise that may be valuable to kernel training in near-term quantum devices.
• Abstract（参考訳）: アクティブ・ラーニング(英: Active Learning)は、トレーニングポイントから代理モデルをトレーニングすることで、高価なブラックボックス関数をモデル化するために使用できる機械学習のパラダイムである。 このフレームワークのパフォーマンスは、サロゲートモデルの選択に大きく依存します。 シュロゲートがガウス過程回帰(Gaussian Process Regression, GPR)である場合、その性能は基盤となるカーネルの表現力によって決定される。 本研究では,高パラメータチューニングによる正規化に対する感度に着目し,量子カーネルを用いてGPRによるアクティブラーニングの計算力学を変化させることの特質について検討する。 汎用的で非構造的カーネルは大規模では指数集中に悩まされるが、小規模でもGPR性能は崩壊する可能性があることを実証的に実証する。 カーネル正則化は、この効果に対抗するために用いられるが、量子忠実度核の滑らかさのため、表現性と過剰適合性のバランスをとるために、慎重に正規化を選択する必要がある。 我々の定性的結果は、指数集中を避けるために設計された制限量子カーネルの実用的な応用に移行し、短期量子デバイスにおけるカーネルトレーニングに有用なノイズの種類を示す。

関連論文リスト

• Flexible Spectral-Normalized Neural Gaussian Process for Dynamic Aperture Prediction [0.0]
  本稿では, フレキシブルでヘテロセダスティックなスペクトル正規化ニューラルガウス過程のハイパーパラメータを自動的に調整する経験的ベイズ法を提案する。 本手法が円状粒子加速器の動的開口度を推定する作業に与える影響を実演する。 その結果,提案手法は,最先端手法よりも計算コストの低い競合予測性能とよく校正された不確実性推定を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-09-08T11:55:43Z)
• Balancing Expressivity and Learnability in Quantum Kernel Bandit Optimization [50.880384999888044]
  我々は,不特定なGP帯域幅アルゴリズムを開発し,近似誤差と情報ゲインとのトレードオフを特徴付ける後悔境界を導出する。 提案手法は, 計算オーバーヘッドを大幅に低減しつつ, サンプル効率で完全量子カーネルの性能を向上する。
  論文  参考訳（メタデータ） (2026-07-01T15:38:00Z)
• Universality and kernel-adaptive training for classically trained, quantum-deployed generative models [7.192684088403013]
  ビットストリング上の有望な量子生成モデルとして、IQP量子回路Born Machine (QCBM) が提案されている。 近年の研究では、IQP-QCBMのトレーニングは古典的には、ガウスカーネル最大平均誤差(MMD)損失関数(英語版)のように、牽引可能であることが示されている。 カーネル適応法では、MDD値の収束はジェネレータの分布の弱収束を意味することを示す。
  論文  参考訳（メタデータ） (2025-10-09T17:17:34Z)
• GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
  GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。 GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。 GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
  論文  参考訳（メタデータ） (2024-01-25T11:11:16Z)
• Expressibility-induced Concentration of Quantum Neural Tangent Kernels [4.561685127984694]
  量子タンジェントカーネルモデルのトレーニング可能性と表現性の関係について検討する。 大域的損失関数に対して、大域的および局所的な量子符号化の両方の高表現性は、量子接核値の指数集中を0に導くことを厳密に証明する。 我々の発見は量子ニューラル・タンジェント・カーネルの重要な特徴を明らかにし、広い量子変動回路モデルの設計に有用な洞察を提供する。
  論文  参考訳（メタデータ） (2023-11-08T19:00:01Z)
• Stochastic Security as a Performance Metric for Quantum-enhanced Generative AI [0.0]
  深部エネルギーベースモデル(EBM)は、トレーニングと推論の両方で連続ドメインギブをサンプリングする必要がある。 量子ギブスサンプリングアルゴリズムを実行できるフォールトトレラントな量子コンピュータの代わりに、モンテカルロ法による拡散過程のシミュレーションを古典的な代替として利用する。 その結果,ギブスサンプリングの計算予算の増大は,モデルのキャリブレーションと対角ロバスト性を両立させることがわかった。
  論文  参考訳（メタデータ） (2023-05-13T17:33:01Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Analytical and experimental study of center line miscalibrations in M\o lmer-S\o rensen gates [51.93099889384597]
  モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。 我々はゲート進化演算子を計算し、関連する鍵特性を得る。 我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
  論文  参考訳（メタデータ） (2021-12-10T10:56:16Z)

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。