論文の概要: Learning Disentangled Representations with Quantum Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2610.07196v1
• Date: Mon, 05 Oct 2026 18:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.582058
• Title: Learning Disentangled Representations with Quantum Variational Autoencoders
• Title（参考訳）: 量子変分オートエンコーダを用いたディスタングル表現の学習
• Abstract要約: 変分オートエンコーダは、複雑なデータを低次元の潜在空間にマッピングする強力な表現学習モデルである。 個々の量子潜在次元を構成するものや、異なる因子をエンコードできるかどうかについて検討する。 3つのデータセットにまたがって、QVAEが分解され、意味論的に解釈可能な潜在表現を発見できることを実証する。
• 参考スコア（独自算出の注目度）: 3.941009336558021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Variational autoencoders are powerful representation learning models that map complex data into low-dimensional latent spaces, enabling the discovery of interpretable and disentangled factors. Such representations can facilitate the interpretation and controllable generation of data describing complex scientific systems. Understanding how these factors are organized and encoded in latent space is therefore important for developing reliable representation learning models. Recently, quantum variational autoencoders (QVAEs) have been proposed as quantum representation models, demonstrating informative latent representations and improved latent-space occupancy through quantum regularization. However, it remains unclear whether and how QVAEs can learn disentangled and interpretable latent factors. A key challenge in investigating quantum latent factors is that a small number of qubits spans an exponentially large Hilbert space, making the notion of an individual quantum latent dimension nontrivial. Here, we investigate what constitutes an individual quantum latent dimension and whether it can encode a distinct factor. We develop theoretical insights into quantum latent dimensions and support them with empirical studies on representative synthetic problems, including MNIST variants. Across three datasets, we demonstrate that QVAEs can discover factorized and semantically interpretable latent representations, with individual qubits functioning as meaningful latent factors. These results establish a foundation for understanding quantum latent spaces and their potential for structured and interpretable representation learning.
• Abstract（参考訳）: 変分オートエンコーダは、複雑なデータを低次元の潜在空間にマッピングする強力な表現学習モデルである。 このような表現は、複雑な科学システムを記述するデータの解釈と制御が可能である。 したがって、これらの因子がどのように組織化され、潜在空間に符号化されるかを理解することは、信頼できる表現学習モデルを開発する上で重要である。 近年,量子変分オートエンコーダ (QVAE) が量子表現モデルとして提案されている。 しかし、QVAEが非絡み合いや解釈可能な潜伏因子を学べるかどうかは不明である。 量子潜在因子を研究する上で重要な課題は、少数の量子ビットが指数関数的に大きなヒルベルト空間にまたがり、個々の量子潜在次元の概念が非自明であることである。 ここでは、個々の量子潜在次元を構成するものと、それが異なる因子をエンコードできるかどうかを検討する。 我々は、量子潜在次元の理論的な洞察を発達させ、MNIST変種を含む代表的な合成問題に関する実証的研究で支援する。 3つのデータセットにまたがって、QVAEが有意な潜在因子として機能する個々の量子ビットを用いて、因果的かつ意味論的に解釈可能な潜在表現を発見できることを実証する。 これらの結果は、量子潜在空間の理解の基礎と、構造化および解釈可能な表現学習の可能性を確立している。

関連論文リスト

• Learning quantum many-body data locally: A provably scalable framework [0.0]
  我々はGeometrically Local Quantum Kernel (GLQK)と呼ばれるスケーラブルな機械学習フレームワークを提案する。 GLQKは非臨界系の指数相関を利用して効率よく量子多体実験データを学習する。 量子多体現象に関する2つの学習課題において,その数値的高いスケーラビリティを示す。
  論文  参考訳（メタデータ） (2025-09-17T05:26:11Z)
• Artificial intelligence for representing and characterizing quantum systems [49.29080693498154]
  大規模量子システムの効率的なキャラクタリゼーションは、量子科学における中心的な課題である。 人工知能(AI)の最近の進歩は、この課題に対処するための強力なツールとして現れている。 本稿では、これらのAIパラダイムが量子システム評価における2つのコアタスクにどのように貢献するかを論じる。
  論文  参考訳（メタデータ） (2025-09-05T08:41:24Z)
• Interpretable representation learning of quantum data enabled by probabilistic variational autoencoders [0.5999777817331317]
  変分オートエンコーダ(VAE)は、いくつかの入力データの隠れた物理的特徴を抽出する際の約束を示す。 VAEは、量子データを扱う際に固有のランダム性や複雑な相関を考慮しなければならない。 ここでは,2つの重要な修正により,VAEが物理的に意味のある潜在表現を学習できることを実証する。
  論文  参考訳（メタデータ） (2025-06-13T17:39:41Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
  No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。 我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。 得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。 この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
  論文  参考訳（メタデータ） (2024-05-12T09:05:13Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Scalable approach to many-body localization via quantum data [69.3939291118954]
  多体局在は、量子多体物理学の非常に難しい現象である。 計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。 我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
  論文  参考訳（メタデータ） (2022-02-17T19:00:09Z)
• Learning Interpretable Representations of Entanglement in Quantum Optics Experiments using Deep Generative Models [1.3016298207860975]
  本稿では,量子光学実験の最初の深部生成モデルについて述べる。 我々は、QOVAEが、トレーニングデータにマッチする特定の分布を持つ、非常に絡み合った量子状態のための新しい実験を生成することができることを示す。 その結果、複雑な科学領域における深部生成モデルの内部表現をうまく利用し、理解する方法が示されている。
  論文  参考訳（メタデータ） (2021-09-06T13:52:37Z)
• Entanglement transfer, accumulation and retrieval via quantum-walk-based qubit-qudit dynamics [50.591267188664666]
  高次元システムにおける量子相関の生成と制御は、現在の量子技術の展望において大きな課題である。 本稿では,量子ウォークに基づく移動・蓄積機構により,$d$次元システムの絡み合った状態が得られるプロトコルを提案する。 特に、情報を軌道角運動量と単一光子の偏光度にエンコードするフォトニック実装について述べる。
  論文  参考訳（メタデータ） (2020-10-14T14:33:34Z)

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。