論文の概要: From Trainability Diagnostics to Optimization Claims: Boundaries and Controls in Variational Quantum Optimization

• arxiv url: http://arxiv.org/abs/2609.21243v1
• Date: Fri, 18 Sep 2026 02:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.83557
• Title: From Trainability Diagnostics to Optimization Claims: Boundaries and Controls in Variational Quantum Optimization
• Title（参考訳）: トレーニング可能性診断から最適化問題へ:変分量子最適化における境界と制御
• Abstract要約: 勾配構造診断は、最適化の利点のスタンドアロンの証拠として機能することなく、トレーニング容易性とジオメトリの更新を特徴付けることができる。 ブラインドプロジェクションは、最終エネルギーと1次予測可能性を悪化させながら、組織診断を改善することができる。 LSO-PCGradの改良は、ハミルトニアン長期射影自体よりも、プローブベースの探索とステップノルム適応とより一致している。
• 参考スコア（独自算出の注目度）: 4.07636450847048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Barren plateau diagnostics characterize whether gradient signal remains available for training, but surviving signal need not translate into successful optimization. We study this trainability--optimization gap at the level of optimizer steps. Treating coefficient-weighted Hamiltonian-term gradients as task-like components, we introduce step-level diagnostics and derive an exact bridge between signed termwise organization, directional activity, and first-order descent. Resolving this bridge into standard first-order geometry shows that the apparent organization--activity factors are not independent optimization axes and that, at fixed state and update norm, the raw gradient maximizes first-order descent of the summed objective. We compare vanilla gradient descent, a deterministic Hamiltonian-term PCGrad variant, and probe-gated LSO-PCGrad on transverse-field Ising model instances with hardware-efficient and Hamiltonian variational ansatzes, together with matched controls for update norm and probe budget. Blind projection can improve an organization diagnostic while worsening final energy and first-order predictability. After conditioning on standard first-order geometry, residual term-space composition shows no reproducible material incremental association with realized descent, while optimizer-relative update norm shows positive material associations in some settings without cross-regime reproducibility. Matched controls provide no resolved final-energy benefit attributable to the projected direction, and the improvement of LSO-PCGrad is more consistent with probe-based search and step-norm adaptation than with Hamiltonian-term projection itself. These results show that gradient-structure diagnostics can characterize trainability and update geometry without serving as standalone evidence of optimization benefit, which requires controls matched on update norm and search budget.
• Abstract（参考訳）: バレンプラトー診断(Barren Plateau diagnosiss)は、勾配信号が訓練に使えるかどうかを特徴付けるが、生存中の信号は最適化に成功させる必要はない。 このトレーニング可能性-最適化ギャップを最適化ステップのレベルで検討する。 係数重み付きハミルトン項勾配をタスクライクな要素として扱い、ステップレベル診断を導入し、符号付き項構造、方向運動、一階降下の正確なブリッジを導出する。 この橋を標準の1次幾何学に分解すると、明らかな組織-活性因子は独立な最適化軸ではなく、固定状態と更新ノルムにおいて、生勾配は要約された目的の1次降下を最大化する。 横フィールドイジングモデルインスタンス上でのバニラ勾配降下, 決定論的ハミルトン項PCGrad, プローブゲートLSO-PCGradと, ハードウェア効率およびハミルトン変分アンサーゼ, および更新ノルムとプローブ予算の整合制御との比較を行った。 ブラインドプロジェクションは、最終エネルギーと1次予測可能性を悪化させながら、組織診断を改善することができる。 標準の1次幾何を条件にすると、残余項空間の合成では、再現性のある物質が実際の降下と漸進的に結びつくことはないが、オプティマイザ相対更新ノルムは、交叉再現性のないいくつかの設定で正の物質関連を示す。 LSO-PCGradの改良は、ハミルトンの長期射影自体よりも、探索に基づく探索とステップノルム適応とより一致している。 これらの結果から、勾配構造診断は、最適化の利点の独立した証拠として機能することなく、トレーニング容易性と更新幾何を特徴付けることが可能であり、これは更新規範と検索予算に一致した制御を必要とする。

関連論文リスト

• The Role of Gradient Modification in Heavy-Tailed Nonconvex Stochastic Min-Max Optimization [50.59470683896735]
  min-max最適化は、現代の機械学習に応用されているため、注目を集めている。 我々は、勾配降下(SGDA)の包括的理論を提供する。 我々は,Stoc-GDAMとStoc-TRmaxという新たなクリッピングフリーアルゴリズムを開発し,グラディエントクリッピングを使わずに,目標精度への最適依存を実現する。
  論文  参考訳（メタデータ） (2026-09-05T12:49:28Z)
• StableGrad: Backward Scale Control without Batch Normalization [1.1145952934885128]
  非常に深いニューラルネットワークを訓練するには、深さにわたる大きさの伝搬を制御する必要がある。 現代のアーキテクチャは、しばしばバッチ正規化、残留接続、その他の正規化レイヤを通じてこの問題を軽減する。 我々は、前方モデルを変更することなく、階層的な重み付け不均衡を補正する別のメカニズムであるStableGradを提案する。
  論文  参考訳（メタデータ） (2026-05-19T13:49:30Z)
• On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
  既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。 本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:25:43Z)
• Closed-Form Last Layer Optimization [72.49151473937319]
  正方形損失の下では、線形最終層重みに対する最適解は閉形式で知られている。 これは、バックボーン上の勾配降下ステップと最終層上のクローズドフォーム更新の交互に行われることを示す。
  論文  参考訳（メタデータ） (2025-10-06T09:14:39Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• Linear Preference Optimization: Decoupled Gradient Control via Absolute Regularization [13.97375970293678]
  DPO(Direct Preference Optimization)は、その単純さと訓練安定性から、オフライン優先最適化アルゴリズムとして広く使われている。 3つの重要なイノベーションを特徴とする新しいアライメントフレームワークであるLinear Preference Optimization (LPO)を提案する。 まず,対数シグモイド関数を絶対差分損失に置き換え,最適化力学を分離することで勾配デカップリングを導入する。 第2に、選択された応答品質を維持するために、オフセット制約と正の正則化項を組み合わせることで安定性を向上させる。 第3に、直感的な推定を伴う勾配分離と、その相対確率の降下を線形に制御する調整可能な係数を用いて、制御可能な拒絶抑制を実装した。
  論文  参考訳（メタデータ） (2025-08-20T10:17:29Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Self-Tuning Stochastic Optimization with Curvature-Aware Gradient Filtering [53.523517926927894]
  サンプルごとのHessian-vector積と勾配を用いて、自己チューニングの二次構造を構築する。 モデルに基づく手続きが雑音勾配設定に収束することを証明する。 これは自己チューニング二次体を構築するための興味深いステップである。
  論文  参考訳（メタデータ） (2020-11-09T22:07:30Z)
• GTAdam: Gradient Tracking with Adaptive Momentum for Distributed Online Optimization [4.103281325880475]
  本稿では、中央コーディネータを使わずに、局所的な計算と通信によって、オンライン最適化問題を分散的に解決することを目的とした、計算機エージェントのネットワークを扱う。 本稿では,適応運動量推定法(GTAdam)を用いた勾配追従法と,勾配の1次および2次運動量推定法を組み合わせた勾配追従法を提案する。 マルチエージェント学習によるこれらの数値実験では、GTAdamは最先端の分散最適化手法よりも優れている。
  論文  参考訳（メタデータ） (2020-09-03T15:20:21Z)

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。