論文の概要: Can the Quantum Fisher Effective Dimension Judge a Hybrid Quantum Neural Network?

• arxiv url: http://arxiv.org/abs/2610.14070v1
• Date: Wed, 07 Oct 2026 21:38:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:29:22.147485
• Title: Can the Quantum Fisher Effective Dimension Judge a Hybrid Quantum Neural Network?
• Title（参考訳）: ハイブリッド量子ニューラルネットワークによる漁獲量判定は可能か?
• Abstract要約: ハイブリッド量子ニューラルネットワーク(QNN)は、古典的な特徴抽出器と変分量子回路を結合する。 回路の量子フィッシャー情報行列(QFIM)の有効次元は、そのようなモデルを評価するために広く用いられている。 有効次元を1とパラメータ数との間にあるQFIM対角線の参加比として定義する。
• 参考スコア（独自算出の注目度）: 5.7936465618571695
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hybrid quantum neural networks (QNNs) pair a classical feature extractor with a variational quantum circuit, and the effective dimension of the circuit's quantum Fisher information matrix (QFIM) is widely used to assess such models. This scalar is often interpreted as an indicator of trainability or accuracy, although these readings are rarely tested under controlled conditions. We therefore investigate what it actually measures. We define the effective dimension as the participation ratio of the QFIM diagonal, which lies between one and the parameter count, and we evaluate it across two image datasets, four frozen backbones including a random-projection control, four circuit depths on eight qubits, and three seeds. During training, the effective dimension remains well below the parameter count, and its correlation with test accuracy ranges from -0.72 to +0.87, changing sign across seeds in half of the configurations. Increasing depth activates a larger share of the circuit directions, from 0.38 to 0.91 of the parameter count, while the initialization gradient variance remains between 1e-5 and 1e-4, so no barren plateau (BP) appears at eight qubits. At a fixed circuit, the four backbones share an initial effective dimension of 6 to 9, even though CIFAR-10 accuracy ranges from 23.14% to 86.44%. These results show that the effective dimension characterizes circuit geometry rather than model quality. We conclude with a practical protocol that assigns each diagnostic to the question it can answer.
• Abstract（参考訳）: ハイブリッド量子ニューラルネットワーク(QNN)は、古典的特徴抽出器と変分量子回路を組み合わせ、回路の量子フィッシャー情報行列(QFIM)の有効次元は、そのようなモデルを評価するために広く用いられている。 このスカラーは訓練性や精度の指標としてしばしば解釈されるが、制御条件下では検査されることは稀である。 したがって、実際に何が測定されるのかを調査する。 実効次元を,パラメータ数とパラメータ数との間にあるQFIM対角線の参加比として定義し,これを2つの画像データセット,ランダム投影制御を含む4つの冷凍バックボーン,8つのキュービット上の4つの回路深さ,3つのシードで評価した。 トレーニング中、有効寸法はパラメータ数よりかなり低く、テスト精度との相関は -0.72 から +0.87 まで変化し、種子の半分が種によって変化する。 深さの増大は、パラメータカウントの0.38から0.91までの回路方向の大きなシェアを活性化する一方、初期化勾配のばらつきは1e-5から1e-4の間であり、バレンプラトー(BP)は8量子ビットに現れない。 固定回路では、CIFAR-10の精度は23.14%から86.44%であるにもかかわらず、4つのバックボーンの最初の有効寸法は6から9である。 これらの結果から,実効寸法はモデル品質よりも回路形状を特徴付けることがわかった。 回答できる質問に対して各診断を割り当てる実践的なプロトコルで締めくくります。

関連論文リスト

• On the Relationship between Model Quantization and Model Inversion Attacks [13.500064157310662]
  モデル量子化は、ニューラルネットワークの重みとアクティベーションの数値的精度を下げ、ストレージと計算コストを下げる。 これらの知見は、実用性を回復しながら反転抵抗を改善した、プライバシーに配慮したポストトレーニング量子化法を導出する。 実験では、複数のメトリクス、ニューラルネットワークアーキテクチャ、顔、ヤシプリント、虹彩認識タスクをカバーしている。
  論文  参考訳（メタデータ） (2026-09-30T09:17:13Z)
• Do Quantum Models Scale Like LLMs? [39.29174953305847]
  クビット射影測定データに基づいて学習した自己回帰変換器モデルであるRydbergGPTのニューラルスケーリング法則について検討した。 2点関数のほぼ臨界統計は、自然言語で観測された統計に最も近い。
  論文  参考訳（メタデータ） (2026-09-17T18:00:00Z)
• Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark [0.9106818059692908]
  イベントトリガーは高エネルギー物理学の中心に位置し、そこでは稀な関心事が維持されなければならない。 この研究は、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期記憶ネットワークの4つの古典的機械学習モデルを比較する。 CMSオープンデータから構築されたトリガのようなバイナリ分類タスク上の4つのハイブリッド量子対向体。
  論文  参考訳（メタデータ） (2026-08-26T15:32:44Z)
• Quantum-Inspired Hybrid Neural Networks for Neural Decoding: A Controlled Ablation Study of Learnable Quantum Sidecar Integration [5.2726003549534655]
  本稿では,ResNet-50バックボーン内に残余のサイドカーモジュールとして集積されたパラメータ化量子回路(PQCs)について検討した。 ベースライン, 量子サイドカーとフリーズインプットプロジェクション, バックボーン・グラディエント・トレーニングプロジェクションの量子サイドカー, アングルエンコーディングを回路計測結果と整合させる測定誘導変種を比較検討した。
  論文  参考訳（メタデータ） (2026-08-23T15:55:43Z)
• String dynamics of a (2+1)D U(1) quantum link model on a digital quantum computer [31.97022940990016]
  (2+1)D U(1) 純ゲージ理論は、非零弦張力の弦を持つ閉相に常に存在する。 このことは、量子コンピューティング手法において、凝縮ゲージ理論の弦動力学を研究するために有用な試験場となる。 量子コンピュータ上に最小のU(1)量子リンクモデルを実装する。
  論文  参考訳（メタデータ） (2026-06-17T21:11:32Z)
• Quantum Feature Pyramid Gating for Seismic Image Segmentation [0.0]
  この研究は、ハイブリッドセグメンテーションアーキテクチャである量子特徴ゲーティングを導入している。 パラメータ化量子回路をエンコーダ・デコーダパイプライン内の特徴核融合点に埋め込む。 2018年のTGS Salt Identification Challengeでは、101 x 101の解像度で4,000の地震画像を用いて評価されている。
  論文  参考訳（メタデータ） (2026-05-14T19:50:01Z)
• 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)
• ParetoQ: Improving Scaling Laws in Extremely Low-bit LLM Quantization [73.60493264901359]
  本稿では,1ビット,1.58ビット,2ビット,3ビット,4ビットの量子化設定に対して厳密な比較を行う統一フレームワークを提案する。 3次、2ビット、3ビット量子化は、サイズと精度のトレードオフにおいて同等のパフォーマンスを維持していることを示す。 ハードウェアの制約を考慮すると、2ビット量子化はメモリの削減とスピードアップに有望な可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-04T18:59:26Z)
• Robust ultra-shallow shadows [0.251657752676152]
  低深度計測回路の幅広いクラスに対して,ロバストなシャドウ推定プロトコルを提案する。 弱相関局所雑音に対して、測定チャネルは効率的な行列積表現を有する。 テンソルネットワークツールを用いて実験データから直接推定する方法を示す。
  論文  参考訳（メタデータ） (2024-05-09T18:00:09Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• PD-Quant: Post-Training Quantization based on Prediction Difference Metric [43.81334288840746]
  ポストトレーニング量子化(PTQ)は、ニューラルネットワーク圧縮技術で、完全精度のモデルを低精度のデータ型を使用した量子化モデルに変換する。 適切な量子化パラメータを決定する方法が、現在直面している主要な問題である。 PD-Quantは、グローバル情報を考慮してこの制限に対処する手法である。
  論文  参考訳（メタデータ） (2022-12-14T05:48:58Z)

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。