Fugu-MT 論文翻訳(概要): Reduced Cost Quantum Kernel Training

論文の概要: Reduced Cost Quantum Kernel Training

arxiv url: http://arxiv.org/abs/2610.04190v1
Date: Sat, 03 Oct 2026 01:00:19 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-06 21:16:05.762877
Title: Reduced Cost Quantum Kernel Training
Title（参考訳）: 低コスト量子カーネルトレーニング
Abstract要約: 一級異常検出は、非変分量子カーネルモデルをトレーニングするための資源効率の良い操作機構である。パワーロー飽和モデルは、トレーニングデータの増加を著しく減少させる。 Nystrm近似はカーネルの構成を$mathcalO(N2)$から$mathcalO(Nm)$評価に還元する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Quantum kernel methods are promising for near-term quantum machine learning, but their training costs are driven by the quadratic scaling of Gram-matrix construction and the measurement cost of estimating individual kernel values. In this work, we investigate one-class anomaly detection as a resource-efficient operating regime for training non-variational quantum kernel models. Using the ULB Credit Card Fraud Detection dataset, we evaluate three quantum feature maps across training-set sizes and qubit counts. Power-law saturation models reveal strong diminishing returns with increasing training data, with 500-sample models retaining approximately 90--93\% of their fitted asymptotic average precision (AP). We further observe no severe exponential concentration among the evaluated feature maps over the investigated qubit range, thereby avoiding the exponentially increasing measurement requirements associated with that regime. Finally, Nyström approximation reduces kernel construction from $\mathcal{O}(N^2)$ to $\mathcal{O}(Nm)$ evaluations, with QSVR retaining 94--97\% of its exact-kernel AP using only five landmarks. For ZZ-QSVR, downsampling from 4,000 to 500 training samples and applying a five-landmark approximation decreases the number of required kernel evaluations from approximately $8.0$ million to $2,485$, a reduction of more than 3,200-fold, while AP decreases from $0.812$ to $0.737$. Under the minimum IonQ pricing assumption considered here, this corresponds to an illustrative reduction in quantum kernel training cost from approximately \$1.34 billion to \$417{,}480. These results demonstrate that training-set reduction and low-rank approximation can substantially reduce the resources required to train non-variational quantum kernel anomaly detectors while retaining meaningful anomaly-discrimination performance.
Abstract（参考訳）: 量子カーネル法は、短期量子機械学習には有望であるが、そのトレーニングコストは、グラム行列構成の2次スケーリングと、個々のカーネル値を推定する測定コストによって引き起こされる。本研究では,非変分量子カーネルモデルをトレーニングするための資源効率の高い演算系として,一級異常検出について検討する。 ULBCredit Card Fraud Detectionデータセットを用いて、トレーニングセットのサイズとキュービット数にまたがる3つの量子特徴写像を評価する。パワーロー飽和モデルでは, トレーニングデータの増加に伴い, 500-sampleモデルで約90-93\%の漸近平均精度 (AP) を保ち, さらに, 評価された特徴写像のうち, 調査されたキュービット範囲における指数関数集中度が過大に増加せず, 最終的にNyström近似は, カーネル構築を$\mathcal{O}(N^2)$から$\mathcal{O}(Nm)$に減らし, 正確なカーネルAPの94-97\%をわずか5つのランドマークで保持する。 ZZ-QSVRでは、4000から500のトレーニングサンプルと5ランドマークの近似を適用することで、必要なカーネル評価の回数を約8.0$から2,485$に減らし、3200倍を減らし、APは0.812$から0.737$に減らした。ここで考慮された最小のIonQ価格設定の下では、これは量子カーネルのトレーニングコストが約1.34億ドルから417{,}480ドルに削減されたことに対応する。これらの結果は、トレーニングセットの低減と低ランク近似により、有意義な異常判別性能を維持しながら、非変分量子カーネル異常検出器の訓練に必要なリソースを大幅に削減できることを示した。

関連論文リスト

LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization [60.59339465850602]
本論文では、8ビットのリカレント状態量子化の下で、ほぼ無作為な性能を実現する学習不要なLeapQuantを提案する。 LeapQuantは、推論中にメモリと計算コストを大幅に削減することを示す。 FP32ベースラインに匹敵する精度で、カーネルレベルでは2.05--3.70$times$、エンドツーエンドの推論では1.47$times$となる。
論文参考訳（メタデータ） (2026-09-29T17:59:34Z)
Evaluating Quantum Kernel Methods for Track-Based Classification in High-Energy Physics [0.0]
本稿では,CLAS12ドリフトチャンバーを用いた大規模量子カーネル分類の設計について述べる。各イベントは、完全に絡み合ったZZFeatureMapを介して6量子状態にエンコードされる。
論文参考訳（メタデータ） (2026-08-27T16:35:30Z)
Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文参考訳（メタデータ） (2026-08-25T15:07:11Z)
Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
論文参考訳（メタデータ） (2026-07-17T16:54:25Z)
Active Quantum Kernel Acquisition for Gaussian Process Regression [30.032230630492155]
量子カーネル分類に関する最近の研究は、カーネルエントリに不均一にショットを割り当てることによって、ターゲット精度に到達するために必要なショット予算を削減できることを示した。我々はこのアイデアをガウス過程(GP)回帰(英語版)に拡張し、下流の量(全スペクトル後方分散、対数行列、辺縁確率)が、符号のみの分類出力よりも厳密なカーネルエラーに結合する設定とする。我々は、3つの閉形式のペアレベル感性予測結合 $|_i_j|$, leave-one-out residual, and marginal-likelihood gradient を導出し、それらをネイマン型最小値に差し込む。
論文参考訳（メタデータ） (2026-06-27T09:40:20Z)
Physics-Informed Learning of Effective Error Processes from Limited Noisy Transmon Measurements for Robust QAOA Reliability [0.0]
有限ショット計測から有効な量子誤り過程を学習するための物理インフォームドパイプラインを提案する。学習された表現はコンパクトな有効モデルである: 各キュービットに対する局所アフィンブロッホチャネル、および3キュービット拡張において、相関エラーをキャプチャするペアワイズ残差である。結果は、より信頼性の高い変動量子アルゴリズムへのハードウェア対応ルートとして、効果的なエラー処理学習をサポートする。
論文参考訳（メタデータ） (2026-05-29T20:58:00Z)
Noise-Adaptive Quantum Circuit Mapping for Multi-Chip NISQ Systems via Deep Reinforcement Learning [0.0]
本稿では,双方向長短期記憶に基づく動的雑音適応ネットワークを統合した深層強化学習フレームワークDeepQMapを提案する。本手法は,量子系の動作の時間的表現を学習することで,ハードウェアのダイナミクスに継続的に適応する。 DeepQMapは平均回路忠実度が0.920 pm 0.023$であり、最先端のQUBO法よりも統計的に49.3%向上している。
論文参考訳（メタデータ） (2025-11-22T14:27:55Z)
Fast Flux-Activated Leakage Reduction for Superconducting Quantum Circuits [84.60542868688235]
量子ビット実装のマルチレベル構造から生じる計算部分空間から漏れること。パラメトリックフラックス変調を用いた超伝導量子ビットの資源効率向上のためのユニバーサルリーク低減ユニットを提案する。繰り返し重み付け安定化器測定におけるリーク低減ユニットの使用により,検出されたエラーの総数を,スケーラブルな方法で削減できることを実証した。
論文参考訳（メタデータ） (2023-09-13T16:21:32Z)
Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
論文参考訳（メタデータ） (2021-09-24T14:48:20Z)

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。