論文の概要: Quantum data loading from the learned shared structure of real signals

• arxiv url: http://arxiv.org/abs/2610.06076v2
• Date: Tue, 06 Oct 2026 12:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.409799
• Title: Quantum data loading from the learned shared structure of real signals
• Title（参考訳）: 実信号の学習共有構造からの量子データロード
• Abstract要約: データセットの共有構造を一度学習して再利用できることが示される。 我々の量子ネイティブローダはデータセットの低次元記述を学習し、数個の数でセットされた1つの固定回路で全ての信号を作成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Preparing quantum states from classical data can cost more than the computation they serve; most loaders tailor a circuit to each input. Here we show that the signals of a real dataset share structure that can be learned once and reused. Our quantum-native loader learns a low-dimensional description of a dataset and prepares every signal with one fixed circuit set by a few numbers. Across seven views of five public datasets it meets the targets of the strongest structured loader at equal gate cost with several times fewer numbers per signal. These numbers can be inferred from a random subset: in a preregistered blind replication the subset needed to come within ten per cent of full-signal accuracy stayed constant within a prespecified margin as signals grew sixteenfold, whereas the structured loader needed ever more. It declines what it cannot represent, covering fewer cases than that baseline and no electrocardiogram.
• Abstract（参考訳）: 古典的なデータから量子状態を用意することは、それらが提供する計算よりもコストがかかる。 ここでは、実際のデータセットの信号が一度学習して再利用できる構造を共有していることを示す。 我々の量子ネイティブローダはデータセットの低次元記述を学習し、数個の数でセットされた1つの固定回路で全ての信号を作成する。 5つの公開データセットの7つのビューで、最強の構造化ローダのターゲットを同じゲートコストで満たし、信号1つあたり数倍の数値で満たしている。 これらの数値はランダムなサブセットから推測できる: 事前登録されたブラインド複製では、信号が倍増するにつれて、完全信号精度の10%以内のサブセットは予め指定されたマージン内に一定であり、構造化ローダはそれ以上必要となる。 表せないものを減らし、ベースラインよりも少ないケースをカバーし、心電図も含まない。

関連論文リスト

• Distilling Datasets into Shallow Circuits for Quantum Machine Learning [34.589572571878215]
  量子データセット蒸留(QDD)は、完全なデータセットを直接、浅い回路の小さなセットに蒸留する。 MNISTとFashion-MNISTでは、クラス毎に10の回路しか完全データトレーニングに匹敵する精度を達成できない。
  論文  参考訳（メタデータ） (2026-09-23T14:54:37Z)
• Structure-Preserving Quantum Circuit Architectures for Robot Kinematics [4.745457425154995]
  この研究は、剛体変換のための量子表現と回路アーキテクチャを導入する。 Denavit--Hartenberg の直列開鎖マニピュレータのキネマティクスに特化している。
  論文  参考訳（メタデータ） (2026-09-14T11:20:14Z)
• Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks [0.0]
  効率的なデータローディングは、短期的な量子機械学習のボトルネックであり続けている。 ハードウェアのネイティブリソースを分散するデータ埋め込み戦略であるShot-Based Quantum Coherence(SBQE)を紹介した。 SBQEは、重みが量子回路によって実現される多層パーセプトロンと構造的に等価であることを示す。
  論文  参考訳（メタデータ） (2026-04-07T17:44:37Z)
• Learnable quantum spectral filters for hybrid graph neural networks [0.0]
  グラフのラプラシアン作用素の固有空間はQFT回路を用いて近似できることを示す。 Ntimes N$ Laplacian の場合、このアプローチは、$n=log(Nimat)$ qubitsしか必要としない近似深度回路が得られる。 次に、回路の出力に古典的ニューラルネットワーク予測ヘッドを適用し、完全なグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2025-07-08T03:36:40Z)
• Data Complexity Measures for Quantum Circuits Architecture Recommendation [55.74527632797241]
  量子パラメトリック回路は、量子回路のサイズを減らす代替として構築される。 与えられた問題の最適回路を決定することは 未解決の問題です 本研究では,分類問題に対する量子回路レコメンデーションアーキテクチャを,データベースの複雑性尺度を用いて提案する。
  論文  参考訳（メタデータ） (2025-02-21T01:17:24Z)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Discrete Key-Value Bottleneck [95.61236311369821]
  ディープニューラルネットワークは、データストリームがi.d.d.であり、ラベル付きデータが豊富である分類タスクでうまく機能する。 この課題に対処した強力なアプローチの1つは、手軽に利用可能なデータ量に対する大規模なエンコーダの事前トレーニングと、タスク固有のチューニングである。 しかし、新しいタスクを考えると、多くの重みを微調整する必要があるため、エンコーダの重みを更新することは困難であり、その結果、以前のタスクに関する情報を忘れてしまう。 この問題に対処するモデルアーキテクチャを提案し,個別かつ学習可能なキー値符号のペアを含む離散的ボトルネックの上に構築する。
  論文  参考訳（メタデータ） (2022-07-22T17:52:30Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
  入射神経表現は、一般的な信号を表す新しい道である。 現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。 メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T18:02:53Z)
• Spiderweb array: A sparse spin-qubit array [0.04582374977939354]
  大規模チップベースの量子コンピュータを追求する主なボトルネックの1つは、キュービットシステムの動作に必要な制御信号の多さである。 ここでは、オンチップ制御エレクトロニクスを統合する量子ドットスピン量子ビットアーキテクチャについて論じ、チップ境界における信号接続数を著しく削減する。
  論文  参考訳（メタデータ） (2021-10-01T03:20:29Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)

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。