論文の概要: Representation Geometry and Inductive Biases in Quantum Classifiers across Classical Visual Benchmarks
- arxiv url: http://arxiv.org/abs/2610.17722v1
- Date: Tue, 13 Oct 2026 04:56:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 17:34:03.691187
- Title: Representation Geometry and Inductive Biases in Quantum Classifiers across Classical Visual Benchmarks
- Title（参考訳）: 古典的視覚ベンチマークを用いた量子分類器における表現幾何学と誘導バイアス
- Abstract要約: 量子機械学習(QML)は、計算的に難しい特定の合成データに対して古典的なアルゴリズムよりも理論的に有利である。
量子分類器は量子的特徴空間に整合した古典的特徴の恩恵を受けることを示す。
解析により、カーネルアライメントは量子的特徴空間と互換性のある表現を識別し、古典的モデルを量子アルゴリズムに翻訳する際の洞察を与える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Machine Learning (QML) has a theoretical advantage over classical algorithms for specific synthetic data that is computationally hard. However, it remains unclear whether such theoretical advantages play a meaningful role for realistic classical data, such as natural images. Quantum structural properties induced by unitary operations or entanglement introduce inductive biases that differ from those of classical models, potentially leading to distinct learning behavior on real-world data. In a fully quantum learning pipeline, classical real-world data are first encoded into quantum states via a quantum feature mapping, analogous to a classical feature extractor, and a quantum classifier then classifies the resulting states. Quantum feature mappings generate representations that are difficult to realize classically, while also inducing representation-level biases that do not necessarily match the structure of realistic data. To enable a fair comparison at the classifier level, we focus on the classifier and use classical feature extractors that already provide powerful representations for natural images. By controlling the data scale and supervision strength, we analyze how the unitary structure of quantum classifiers affects generalization, and show that their effectiveness depends strongly on the geometry of the input representations. These results indicate that quantum classifiers benefit from classical features that are aligned with quantum feature spaces. Our analysis shows that kernel alignment identifies representations compatible with quantum feature spaces, providing insights into translating classical models into quantum algorithms.
- Abstract（参考訳）: 量子機械学習(QML)は、計算的に難しい特定の合成データに対して古典的なアルゴリズムよりも理論的に有利である。
しかし、このような理論上の優位性が、自然画像のような現実的な古典的データにとって有意義な役割を担っているかどうかは不明である。
ユニタリ演算や絡み合いによって引き起こされる量子構造特性は、古典的なモデルとは異なる帰納的バイアスを導入し、現実世界のデータに異なる学習行動をもたらす可能性がある。
完全量子学習パイプラインでは、古典的実世界のデータは、古典的特徴抽出器に類似した量子的特徴写像を通じて量子状態に符号化され、量子分類器が結果の状態を分類する。
量子特徴写像は、古典的に実現が難しい表現を生成すると同時に、現実的なデータの構造に必ずしもマッチしない表現レベルのバイアスを誘導する。
分類器レベルでの公平な比較を可能にするため、分類器に焦点をあて、すでに自然画像に強力な表現を提供する古典的特徴抽出器を使用する。
データスケールと監督強度を制御することにより、量子分類器のユニタリ構造が一般化にどのように影響するかを分析し、それらの効果が入力表現の幾何学に強く依存していることを示す。
これらの結果は、量子分類器が量子的特徴空間に整合した古典的特徴の恩恵を受けていることを示している。
解析により、カーネルアライメントは量子的特徴空間と互換性のある表現を識別し、古典的モデルを量子アルゴリズムに翻訳する際の洞察を与える。
関連論文リスト
- Observation of Quantum Darwinism and the Origin of Classicality with Superconducting Circuits [9.09683951826704]
自然に量子世界から日々の古典的な観察を合理化するにはどうすればいいのか?
量子ダーウィン主義は古典主義の出現を説明する魅力的な枠組みを提供する。
我々は、古典性と量子相互情報の飽和をサポートする高度に構造化された分岐量子状態を観察した。
論文 参考訳（メタデータ） (2025-04-01T13:33:32Z) - When Quantum and Classical Models Disagree: Learning Beyond Minimum Norm Least Square [1.9223856107206057]
変分量子回路(VQC)は、量子コンピューティングの有用な応用のための重要な候補である。
回帰問題に対する量子アドバンテージの一般理論を提案する。
古典的に近似できない量子モデルを良い一般化で設計することは可能であることを示す。
論文 参考訳（メタデータ） (2024-11-07T18:18:38Z) - 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) - Hybrid Quantum-Classical Machine Learning with String Diagrams [49.1574468325115]
本稿では,文字列ダイアグラムの観点からハイブリッドアルゴリズムを記述するための公式なフレームワークを開発する。
弦図の特筆すべき特徴は、量子古典的インタフェースに対応する関手ボックスの使用である。
論文 参考訳（メタデータ） (2024-07-04T06:37:16Z) - Classical Verification of Quantum Learning [42.362388367152256]
量子学習の古典的検証のための枠組みを開発する。
そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。
この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
論文 参考訳（メタデータ） (2023-06-08T00:31:27Z) - Quantum-enhanced pattern recognition [0.0]
パターン認識の多セル問題において,初めて量子的優位性を示す。
我々は、古典的な資源で達成された分類誤差の量子的優位性を達成するために、絡み合ったプローブ状態と光子計数を用いる。
このことは、複雑な領域内でのボソニックロスの量子化パターン認識の今後の発展を動機付けている。
論文 参考訳（メタデータ） (2023-04-12T13:06:38Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳（メタデータ） (2022-12-22T16:06:24Z) - Classical surrogates for quantum learning models [0.7734726150561088]
本稿では,訓練された量子学習モデルから効率的に得られる古典的モデルである古典的サロゲートの概念を紹介する。
我々は、よく解析された再アップロードモデルの大規模なクラスが古典的なサロゲートを持つことを示す。
論文 参考訳（メタデータ） (2022-06-23T14:37:02Z) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳（メタデータ） (2021-02-09T13:48:00Z) - Emergence of classical behavior in the early universe [68.8204255655161]
3つの概念は本質的に同値であると仮定され、同じ現象の異なる面を表す。
古典位相空間上の幾何構造のレンズを通して、一般のフリードマン=ルマイト=ロバートソン=ヴァルカー空間で解析する。
分析によれば、 (i) インフレーションは本質的な役割を果たさない; 古典的行動はより一般的に現れる; (ii) 3つの概念は概念的に異なる; 古典性はある意味で現れるが別の意味では生じない。
論文 参考訳（メタデータ） (2020-04-22T16:38:25Z)
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。