論文の概要: Parameter-Efficient Quantum NLP for Paraphrase Detection: Performance, Robustness, and Entanglement
- arxiv url: http://arxiv.org/abs/2609.14529v1
- Date: Sun, 13 Sep 2026 14:06:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.835111
- Title: Parameter-Efficient Quantum NLP for Paraphrase Detection: Performance, Robustness, and Entanglement
- Title（参考訳）: パラフレーズ検出のためのパラメータ効率の良い量子NLP:性能,ロバスト性,絡み合い
- Abstract要約: パラフレーズ検出のための10量子ビットハイブリッド量子古典変動回路の評価を行った。
QQPでは、回路は75.53% +/- 0.75%の精度を達成する。
MRPCでは、最適2層版がBERTベースの精度の92%に達し、パラメータコストは54,000ドルである。
これらの結果は,NLP用ハイブリッド変分回路の適応型マルチベンチマーク実証実験として最初のものである。
- 参考スコア（独自算出の注目度）: 0.05999777817331314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rigorous empirical validation of quantum machine learning on natural language tasks remains scarce. We evaluate a 10-qubit hybrid quantum-classical variational circuit (2,148 parameters) for paraphrase detection across three benchmarks: MRPC, Quora Question Pairs (QQP), and adversarial PAWS. On QQP (n = 10 seeds), the circuit achieves 75.53% +/- 0.75%. accuracy, statistically outperforming parameter-matched classical baselines (DeepMLP: p = 0.015, Cohen's d = 1.20; F1: p < 0.001, d = 2.32) and surpassing DistilBERT-4bit with 31,191 fewer parameters. On MRPC the optimal 2-layer variant reaches 92% of BERT-base accuracy at 54,000 lower parameter cost. Circuit depth analysis reveals a dataset-depth scaling effect; entanglement analysis via the Meyer-Wallach measure identifies multi-qubit entanglement as the primary performance driver (r = 0.85 across four variants). Adversarial evaluation on PAWS reveals emergent robustness: 98.2% recall versus 81.6% classical (+16.6 pp, d = 1.24, p < 0.001), without adversarial training. These results constitute the first systematic parameter-matched multi-benchmark empirical validation of hybrid variational circuits for NLP. All results are from classical simulation; hardware validation is future work.
- Abstract（参考訳）: 自然言語タスクにおける量子機械学習の厳密な実証検証は依然として不十分である。
MRPC, Quora Question Pairs (QQP) , 対逆PAWS の3つのベンチマークにおいて, パラフレーズ検出のための 10-qubit ハイブリッド量子古典変動回路 (2,148 パラメータ) の評価を行った。
QQP (n = 10 種)では、回路は75.53% +/- 0.75%に達する。
正確性、統計的にパラメータマッチングされた古典的ベースライン(DeepMLP: p = 0.015, Cohen's d = 1.20; F1: p < 0.001, d = 2.32)、および31,191個のパラメータを持つ DistilBERT-4bit を超える。
MRPCでは、最適2層版がBERTベースの精度の92%に達し、パラメータコストは54,000ドルである。
Meyer-Wallach測度による絡み合い解析は、マルチキュービットの絡み合いを主要なパフォーマンスドライバ(4つの変種でr = 0.85)として識別する。
98.2%のリコールと81.6%の古典的(+16.6 pp, d = 1.24, p < 0.001)は、敵の訓練を伴わない。
これらの結果は,NLP用ハイブリッド変分回路の適応型マルチベンチマーク実証実験として最初のものである。
すべての結果は古典的なシミュレーションによるものであり、ハードウェアの検証は将来の作業である。
関連論文リスト
- OQMD: Single-Qubit Rotation Control Improves Low-CNOT Multiclass Quantum Classification [4.669017653337737]
本研究は、最適量子計測復号法(OQMD)の研究である。
OQMD: 測定前に読み出し層をトレーニングすることで、量子結果が古典的なラベルにどのようにマッピングされるかを最適化する。
実験では、OQMDのハードウエアネイティブな1つの具体的実現として、トレーニング可能な3つの1量子ビット回転を用いる。
論文 参考訳（メタデータ） (2026-06-12T04:05:48Z) - How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。
アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
論文 参考訳（メタデータ） (2026-06-07T12:17:25Z) - Automated Proving of Shannon-Type Entropy Inequalities via Fine-Tuned Language Models and Guided Tree Search [50.16356451328644]
シャノン型エントロピーの不等式を証明することは情報理論の基本的な課題である。
我々は,原子実証のステップを微調整した小規模大規模言語モデルがこのプロセスを自動化することができるか検討する。
GPT-5.5は0ショットプロンプトで1.7%のサンプルを解き、Psitipは33.3%のサンプルを解いた。
論文 参考訳（メタデータ） (2026-06-04T05:43:12Z) - Optimised Support Vector Regression for California Housing Price Prediction: The Critical Role of Feature Engineering and Hyperparameter Tuning [0.0]
Support Vector Regressionは、California Housingベンチマークデータセットで最も弱いパフォーマーの1つとして引用されている。
本稿では,従来報告されていた性能が,アルゴリズムに固有の制限ではなく,実験的な構成選択を反映しているかどうかを検討する。
チューニングされたSVRは、以前報告されたSVR結果よりも0.123ポイントの絶対的な改善である0.723の試験R2を達成する。
論文 参考訳（メタデータ） (2026-05-09T03:58:50Z) - Relational Preference Encoding in Looped Transformer Internal States [0.0]
ループ変換器は内部の反復状態においてどのように人間の嗜好を符号化するかを検討する。
繰り返し洗練された2.6Bパラメータループ変換器であるOuro-2.6B-Thinkingを用いて,各ループ繰り返しから隠れた状態を抽出する。
我々は、HH-RLHFデータセット上で人間の嗜好を予測するために軽量評価器ヘッドを訓練する。
我々のペアワイズ評価器は8,552個の未確認例に対して95.2%の精度を達成し、ベースモデルは完全に凍結されている間に全バッチのL-BFGSプローブ(84.5%)を上回った。
論文 参考訳（メタデータ） (2026-04-10T20:00:49Z) - DeepPrune: Parallel Scaling without Inter-trace Redundancy [53.62015294143274]
並列推論トレースの80%以上は、実質的な無駄な計算を代表して、同じ最終回答をもたらす。
動的プルーニングによる効率的な並列スケーリングを実現する新しいフレームワークであるDeepPruneを提案する。
我々の研究は並列推論のための新しい標準を確立し、高性能推論をより効率的にする。
論文 参考訳（メタデータ） (2025-10-09T17:24:54Z) - Hybrid Quantum-Classical Model for Image Classification [0.0]
本研究では,3つのベンチマークデータセットにおけるハイブリッド量子古典ニューラルネットワークと純粋に古典的なモデルとの系統的比較を示す。
ハイブリッドモデルはパラメータ化量子回路と古典的なディープラーニングアーキテクチャを統合し、古典的なモデルは従来の畳み込みニューラルネットワーク(CNN)を使用している。
実験は、検証精度、テスト精度、トレーニング時間、計算資源の使用量、敵の堅牢性など、データセット毎の50以上のトレーニングエポックで実施された。
論文 参考訳（メタデータ） (2025-09-14T09:55:00Z) - Scaling & Shifting Your Features: A New Baseline for Efficient Model
Tuning [126.84770886628833]
既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。
そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
論文 参考訳（メタデータ） (2022-10-17T08:14:49Z) - Experimental Bayesian calibration of trapped ion entangling operations [48.43720700248091]
我々は,広く使用されているMolmer-Sorensenエンタングゲート操作の実験パラメータを自動的に推定し,調整する効率的なキャリブレーションプロトコルを開発し,特徴付ける。
実験では, ゲートキャリブレーションを1分以内で完了する間, 実験サイクルは1200pm500$で, ゲートキャリブレーションの中央値が1.3(1)cdot10-3$であることを示す。
論文 参考訳（メタデータ） (2021-12-02T16:59:00Z) - Non-Parametric Adaptive Network Pruning [125.4414216272874]
アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。
顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。
EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
論文 参考訳（メタデータ） (2021-01-20T06:18:38Z) - ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。
ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
論文 参考訳（メタデータ） (2020-06-01T05:00:51Z)
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。