論文の概要: Margin-Based Generalization for Quantum Machine Learning with Classical Data Encoding

• arxiv url: http://arxiv.org/abs/2610.24426v1
• Date: Sat, 17 Oct 2026 03:43:15 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:54:53.593993
• Title: Margin-Based Generalization for Quantum Machine Learning with Classical Data Encoding
• Title（参考訳）: 古典的データ符号化による量子機械学習のためのMargin-based Generalization
• Abstract要約: 我々は、固定およびトレーニング可能な量子データエンコーディングのためのマージンベース一般化フレームワークを開発する。 19,440のシミュレーショントレーニングは、さまざまなイメージデータセット、回路アーキテクチャ、最適化設定にまたがって実行され、逆マージンが最良である。 これらの結果は古典的データを用いた量子機械学習における一般化の統一的なマージンベースビューを提供する。
• 参考スコア（独自算出の注目度）: 0.3135152720206844
• License:
• Abstract: Understanding generalization is essential for assessing the practical viability of quantum machine learning. In many applications, quantum models operate on classical data that must first be encoded into quantum states, making the encoding part of the effective hypothesis class. We develop a margin-based generalization framework for this setting, covering both fixed and trainable quantum data encodings. For fixed encodings, the existing margin bound transfers unchanged. For trainable encodings, we derive a bound using a two-scale covering argument that combines the original margin-dependent term with an additive encoding-capacity term of order $\tilde O(\sqrt{L/m})$, where $L$ is the number of trainable encoding parameters and $m$ is the training-sample size. Across 19,440 simulated training runs spanning various image datasets, circuit architectures, and optimization settings, the inverse margin performs best among five baseline and two bound-derived complexity measures under conditional-independence and 90th-percentile sign-error criteria, within bootstrap uncertainty. These results provide a unified margin-based view of generalization in quantum machine learning with classical data.
• Abstract（参考訳）: 量子機械学習の実用性を評価するためには、一般化を理解することが不可欠である。 多くの応用において、量子モデルは、まず量子状態にエンコードする必要がある古典的なデータ上で動作し、効果的な仮説クラスの一部を符号化する。 我々は、固定およびトレーニング可能な量子データエンコーディングの両方をカバーする、この設定のためのマージンベースの一般化フレームワークを開発する。 固定符号化の場合、既存のマージン境界転送は変化しない。 トレーニング可能なエンコーディングでは、元のマージン依存項を次数$\tilde O(\sqrt{L/m})$の加算エンコーディング容量項と組み合わせた2スケール被覆引数を用いて境界を導出する。 19,440のシミュレーショントレーニングは、さまざまなイメージデータセット、回路アーキテクチャ、最適化設定にまたがって実行され、逆マージンは、ブートストラップの不確実性の中で、条件独立性および90パーセントのサインエラー基準の下で、5つのベースラインと2つのバウンダリ由来の複雑さ尺度の中で最高に機能する。 これらの結果は、古典的データを用いた量子機械学習における一般化の統一されたマージンベースビューを提供する。

関連論文リスト

• An Information-Theoretic Principle for Optimal Quantum Encoding: Tight Frames and Equiangular Ensembles [5.1835624626471875]
  量子支援統計推論のための古典データの最適符号化について,情報理論の観点から検討した。 量子計算による推論手順の精度は、量子符号化による古典的データからの最大量子リークによって上限づけられていることを証明する。 このことは、最大量子リークは統計的推論のための符号化戦略の品質の普遍的な尺度であることを示している。
  論文  参考訳（メタデータ） (2026-07-02T00:45:51Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
  本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。 様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-03T16:13:34Z)
• Data Encoding for VQC in Qiskit, A Comparison With Novel Hybrid Encoding [0.0]
  振幅符号化は必要な量子ビットを減らすため、アングル符号化は状態の自由を良くし、表現的符号化や位相に基づく区別に使用される。 本稿では,Amplitudeエンコーディングが要求されるqubitを削減し,Angleエンコーディングが状態自由度を向上し,表現的エンコーディングや位相に基づく区別に使用されることにより,効率的なqubit使用が保証されることを示す。
  論文  参考訳（メタデータ） (2025-03-18T09:36:09Z)
• Empirical Power of Quantum Encoding Methods for Binary Classification [0.2118773996967412]
  我々は、様々な機械学習メトリクスに対する符号化スキームとその効果に焦点を当てる。 具体的には、実世界の複数のデータセットの量子符号化戦略の違いを示すために、実世界のデータ符号化に焦点を当てる。
  論文  参考訳（メタデータ） (2024-08-23T14:34:57Z)
• 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)
• Quantum Sparse Coding and Decoding Based on Quantum Network [1.0683439960798695]
  スパース符号化と復号化アルゴリズムを実現するための対称量子ニューラルネットワークを提案する。 我々のネットワークは、光回路に自然に適合する多層2レベルユニタリ変換で構成されている。 我々は、古典的問題におけるバイナリとグレースケールの画像の疎符号化と復号化を実現し、量子問題における複雑な量子状態の復号化を実現した。
  論文  参考訳（メタデータ） (2024-06-10T04:21:27Z)
• Universal qudit gate synthesis for transmons [44.22241766275732]
  超伝導量子プロセッサを設計する。 本稿では,2量子共振共振ゲートを備えたユニバーサルゲートセットを提案する。 ノイズの多い量子ハードウェアのための$rm SU(16)$ゲートの合成を数値的に実証する。
  論文  参考訳（メタデータ） (2022-12-08T18:59:53Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
  本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。 3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
  論文  参考訳（メタデータ） (2021-08-03T17:49:09Z)

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。