論文の概要: A Tutorial on Quantum Amplitude Embedding with Data Re-Uploading

• arxiv url: http://arxiv.org/abs/2610.17836v1
• Date: Tue, 13 Oct 2026 06:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.53941
• Title: A Tutorial on Quantum Amplitude Embedding with Data Re-Uploading
• Title（参考訳）: データ再アップロードによる量子振幅埋め込みに関するチュートリアル
• Abstract要約: 振幅埋め込みにより、変分量子モデルは数量子ビットで多くの古典的特徴を読み取ることができる。 データ再ロードは、トレーニング可能なブロック間で繰り返し入力をエンコードする。 このチュートリアルは、振幅埋め込みモデルに追加されるデータ再アップロードについて説明する問題に対処する。
• 参考スコア（独自算出の注目度）: 11.055645146871441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Amplitude embedding lets a variational quantum model read many classical features with few qubits, but the model output is then only a quadratic form in the normalized input. Data re-uploading, which encodes the input repeatedly between trainable blocks, can be used to enrich such a model. Because every additional upload of an amplitude embedding repeats a costly state preparation, the gain that an upload buys has to be known before the gates are spent. This tutorial thus addresses the problem of explaining what data re-uploading adds to an amplitude-embedded model and how large the gain is. We express sequential re-uploading and parallel re-uploading with two copies in one notation and show that each upload raises the reachable polynomial order by two. Under one trainable circuit family and one budget of trainable parameters, simulation results show that re-uploading raises the test coefficient of determination from 0.689 to between 0.883 and 0.975 on targets of order four and from 0.337 to between 0.642 and 0.783 on targets of order six, on all ten seeds. On a quadratic target and on handwritten digits, one upload remains the best choice, and every additional upload lowers the gate error that the classifier tolerates. These results help designers match the number of uploads to the polynomial order of the task at hand.
• Abstract（参考訳）: 振幅埋め込みにより、変分量子モデルは数量子ビットで多くの古典的特徴を読み取ることができるが、モデル出力は正規化された入力の二次形式に過ぎない。 トレーニング可能なブロック間で繰り返し入力をエンコードするデータ再ロードは、そのようなモデルを強化するために使用することができる。 振幅埋め込みが追加でアップロードされるたびに、コストのかかる状態の準備が繰り返されるため、アップロードされた購入がゲートに費やされる前に知る必要がある。 このチュートリアルは、振幅埋め込みモデルにどのようなデータ再ロードが付加されるのか、そしてどれだけの利得があるのか、という問題に対処する。 1つの表記法で2つのコピーで逐次再アップロードと並列再読み込みを表現し、各アップロードが到達可能な多項式順序を2つ上げることを示す。 1つのトレーニング可能な回路ファミリーと1つのトレーニング可能なパラメータの予算の下で、シミュレーションの結果、再アップロードは4の目標で0.689から0.883から0.975まで、全10のシードで0.337から0.642から0.783まで、決定の試験係数を上昇させることが示された。 二次的なターゲットと手書きの桁では、1つのアップロードが最良の選択であり、追加のアップロード毎に、分類器が許容するゲートエラーを下げる。 これらの結果は、デザイナが手元にあるタスクの多項式順序にアップロードする回数にマッチするのに役立つ。

関連論文リスト

• Logit Refiner: Improving Visual Autoregressive Models via Intra-Scale Dependency Modeling [21.906953897227442]
  ビジュアル自己回帰モデルは、次のスケールの予測を通じて画像を生成する。 平均場近似は、同じスケールのトークン間で空間的依存関係を破棄する。 Logit Refinerは、冷凍バックボーン機能に条件付きトークンを順次サンプリングすることで、スケール内の依存関係を復元する。
  論文  参考訳（メタデータ） (2026-09-10T16:57:05Z)
• A Commitment-Based Hybrid Post-Quantum Cryptographic Model for Multi-File Cloud Storage [0.0]
  クラウドストレージクライアントはますます、将来の量子能力のある敵に対してセキュアな認証を必要としている。 本稿では,このボトルネックに対処するコミットメントベースのハイブリッドポスト量子モデルを提案する。 AES-256-GCMバルク暗号化、ML-KEM-768キーカプセル化機構を備えたハイブリッドX25519、ML-DSA-65デュアルシグネチャを備えたハイブリッドEd25519を含む。
  論文  参考訳（メタデータ） (2026-08-13T12:14:54Z)
• Chimera: Designing and Chinchilla-Scaling Hybrid Visual Diffusion Transformers [54.01042826416009]
  ビジュアル生成には高解像度の画像、長いビデオ、マルチモーダルコンテキストが必要である。 原理的なスケーリングレシピを備えたハイブリッドビジュアル拡散バックボーンであるChimeraを紹介した。 密度の高いバックボーンは、一致したフルアテンションWan2.1 2Bベースラインの1.7倍の計算効率を示す。
  論文  参考訳（メタデータ） (2026-07-30T17:58:02Z)
• HiTMS: A High-Throughput Multi-Stream Linguistic Steganography Framework [16.259842401378197]
  生成言語ステガノグラフィーは、大きな言語モデルのサンプリングランダムネスの中に秘密のビットを隠蔽する。 既存のスキームはシングルストリームであり、単一のプロンプトに対する単一の応答を通じて秘密全体を伝達する。 本稿では,複数の応答に対して秘密を分散するHiTMS(High-Throughput Multi-Stream)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-26T10:54:44Z)
• NextFlow: Unified Sequential Modeling Activates Multimodal Understanding and Generation [66.92488610008519]
  NextFlowは6兆個のインターリーブされたテキストイメージの離散トークンでトレーニングされたデコーダのみの自動回帰トランスフォーマーである。 統合された自己回帰アーキテクチャ内の統一された視覚表現を活用することで、NextFlowはマルチモーダル理解と生成機能を活性化する。 NextFlowは、統一されたモデルと、視覚的品質における特殊な拡散ベースラインの間で、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-05T15:27:04Z)
• Towards Sequence Modeling Alignment between Tokenizer and Autoregressive Model [69.79418000132995]
  AliTokはトークンシーケンスの依存性構造を変更する新しいアラインド・トークンライザである。 AliTokは177Mパラメータしか持たない標準的なデコーダのみの自己回帰モデルで、ImageNet-256ベンチマークで1.44のgFIDと319.5のISを達成している。
  論文  参考訳（メタデータ） (2025-06-05T17:45:10Z)
• Autoregressive Image Generation with Randomized Parallel Decoding [28.352741116124538]
  本稿では,ランダム化並列生成が可能な新しい視覚自己回帰モデルであるARPGを紹介する。 ARPGは推論の30倍以上の高速化と、メモリ消費の75%削減を実現している。 ImageNet-1K 256ベンチマークでは、32ステップのサンプリングでFIDが1.83に達した。
  論文  参考訳（メタデータ） (2025-03-13T17:19:51Z)
• MEGABYTE: Predicting Million-byte Sequences with Multiscale Transformers [78.85346970193518]
  Megabyteは、100万バイトを超えるシーケンスのエンドツーエンドで微分可能なモデリングを可能にするマルチスケールデコーダアーキテクチャである。 実験によると、Megabyteはバイトレベルのモデルで、長い文脈言語モデリングのサブワードモデルと競合することを可能にする。 その結果、トークン化のない自己回帰配列を大規模にモデル化できる可能性が確立された。
  論文  参考訳（メタデータ） (2023-05-12T00:55:41Z)

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。