論文の概要: Can Entanglement-Induced Feature-Map Designs Improve Projected Quantum Kernels?

• arxiv url: http://arxiv.org/abs/2610.31260v1
• Date: Thu, 22 Oct 2026 13:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.387839
• Title: Can Entanglement-Induced Feature-Map Designs Improve Projected Quantum Kernels?
• Title（参考訳）: 量子カーネルの絡み合いによる特徴マップ設計は改善できるか?
• Abstract要約: 予測量子カーネル(PQK)は、機械学習タスクの難しさを回避するための注目すべきアプローチとして登場した。 この研究は、PQKの構造的能力を明らかにすることを目的として、そのネイティブな帰納バイアスを分離し評価する。
• 参考スコア（独自算出の注目度）: 7.712985472638952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Projected quantum kernels (PQKs) have emerged as a notable approach to circumvent the hardness of machine learning tasks arising from the exponential dimensionality of the quantum Hilbert space. However, recent PQK studies often rely heavily on extensive classical hyperparameter tuning of the radial basis function (RBF) kernel parameter and the support vector machine regularization parameter. The extensive tuning can mask the true representational power of the underlying PQKs induced by quantum feature maps, which has not been explored in detail. Thus, this work aims to expose the structural capabilities of PQKs by isolating and evaluating their native inductive bias through comparisons between untuned and tuned PQKs against the RBF baseline. Furthermore, we propose novel quantum feature maps that leverage two-qubit entanglement to capture multivariate correlations in IoT data. The results show that extensive tuning can lead to competitive performance architectures, while our proposed entanglement topologies exhibit a significantly stronger native inductive bias. This reveals that superior quantum architectural design can yield structurally better PQKs with improvements arising from quantum-mechanical properties rather than from classical hyperparameter tuning.
• Abstract（参考訳）: 計画量子カーネル(PQK)は、量子ヒルベルト空間の指数的次元から生じる機械学習タスクの難しさを回避するための顕著なアプローチとして登場した。 しかし、最近のPQK研究は、ラジアル基底関数(RBF)カーネルパラメータとサポートベクトルマシン正規化パラメータの広範な古典的ハイパーパラメータチューニングに大きく依存していることが多い。 広範囲なチューニングは、量子特徴写像によって誘導される基礎となるPQKの真の表現力を隠蔽することができるが、詳細は明らかにされていない。 そこで本研究では,修正されていないPQKと修正されていないPQKをRBFベースラインと比較することにより,PQKの構造的能力を明らかにすることを目的としている。 さらに,2キュービットの絡み合いを利用して,IoTデータの多変量相関を捉える新しい量子特徴写像を提案する。 提案した絡み合ったトポロジは、より強力なネイティブな帰納バイアスを示す。 このことは、優れた量子アーキテクチャ設計により、古典的なハイパーパラメータチューニングよりも量子力学特性による改善により、構造的に優れたPQKが得られることを示している。

関連論文リスト

• Balancing Expressivity and Learnability in Quantum Kernel Bandit Optimization [50.880384999888044]
  我々は,不特定なGP帯域幅アルゴリズムを開発し,近似誤差と情報ゲインとのトレードオフを特徴付ける後悔境界を導出する。 提案手法は, 計算オーバーヘッドを大幅に低減しつつ, サンプル効率で完全量子カーネルの性能を向上する。
  論文  参考訳（メタデータ） (2026-07-01T15:38:00Z)
• Physics-Informed Variational Quantum Classifier for Phase Detection in Strongly Correlated Matter [0.0]
  フェルミオン準粒子と分子結合状態の間の極相転移を検出するために設計された変分量子アーキテクチャ VQCは最適な干渉計測プロトコル、特に進化時間と効果的な浴槽相互作用を効率的に発見する。
  論文  参考訳（メタデータ） (2026-06-12T14:25:09Z)
• Quantum Parameterized Self-Attention Network for Image Classification [27.317371900372127]
  量子ベースの自己アテンションスコアリング関数を提案する。 複雑な非線形クエリキー相互作用を捕捉し,符号化層の構造的制約を定量化する。 4つのヴィジュアルデータセットの実験では、QPSANはヴィジュアルトランスフォーマー(ViT)ベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-05-25T02:44:13Z)
• Beyond Gates: Pulse Level Quantum Fourier Models [1.0482211230201115]
  パルスパラメータのレンズを用いて量子フーリエモデル(QFM)を評価する。 パルス形状の制御はアンザッツのグローバルな表現性や構造的相関を著しく変えるものではないことを示す。 複合ゲートの場合、独立パルススケーリングは1つの論理角を複数の独立可変部分角で置き換える。
  論文  参考訳（メタデータ） (2026-05-06T14:13:44Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• On the similarity of bandwidth-tuned quantum kernels and classical kernels [0.0]
  我々は、放射基底関数(RBF)カーネルによく似たQKにおいて、最適な帯域幅調整結果が得られたことを数値的に示す。 また、最適な帯域幅調整パラメータのサイズがQKをさらに単純化し、カーネルのように振る舞うことも明らかにした。
  論文  参考訳（メタデータ） (2025-03-07T17:28:02Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Non-asymptotic Approximation Error Bounds of Parameterized Quantum Circuits [16.460585387762478]
  量子ニューラルネットワークの有望なアプローチとして、PQC(ized quantum circuits)が登場した。 本稿では,一般関数クラスを近似するためのPQCの表現性について検討する。 我々は、量子ビット数、量子回路深さ、およびトレーニング可能なパラメータ数の観点から、これらの関数に対する最初の非漸近近似誤差境界を確立する。
  論文  参考訳（メタデータ） (2023-10-11T14:29:11Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)

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。