論文の概要: Leveraging Quantum Measurement Randomness for Shot-Efficient Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.41721v1
• Date: Fri, 30 Oct 2026 13:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.757008
• Title: Leveraging Quantum Measurement Randomness for Shot-Efficient Diffusion Models
• Title（参考訳）: ショット高効率拡散モデルにおける量子計測ランダム性の評価
• Abstract要約: 量子コンピューティングでは、読み出しは常に有限ショットサンプリングノイズを発生する。 本稿では,測定ノイズを負債から資源に変換する。 いずれにせよ、ノイズ量子測定は、サンプルが注入するノイズの一部を置き換えるために用いられる。
• 参考スコア（独自算出の注目度）: 60.16038104855047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In quantum computing, the readout always carries finite-shot sampling noise. Suppressing this noise through repeated measurements raises the cost of a quantum neural network (QNN). Meanwhile, a stochastic diffusion sampler deliberately adds randomness at each reverse (generation) step. This paper turns the measurement noise from a liability into a resource. Specifically, we use the noise quantum measurement produces anyway to replace part of the noise the sampler would otherwise inject. We characterize the measurement error as multinomial sampling noise propagated through a trainable linear readout. To connect the circuit's Born probabilities to the denoising task, we further formulate the diffusion process on a bounded zero-sum hyperplane mapped to the probability simplex. Therefore, we can employ a compensation noise to match the mean and covariance of the shot-noise-free linear update under some minimum shot conditions. Solving this condition for the shot count gives a state-dependent adaptive budget. For the denoising diffusion implicit model (DDIM), this budget increases as the sampler becomes more deterministic. On an eight-dimensional Gaussian mixture, the schedule achieves comparable generation quality with $303$ shots per sample against a high-shot reference of $1.6\times10^{6}$, about $5300\times$ fewer. Latent diffusion experiments on MNIST further validate the proposed mechanism for generation in a learned latent space.
• Abstract（参考訳）: 量子コンピューティングでは、読み出しは常に有限ショットサンプリングノイズを発生する。 このノイズを繰り返し測定することで抑制することで、量子ニューラルネットワーク(QNN)のコストが上昇する。 一方、確率拡散サンプリング器は、各逆(世代)ステップに故意にランダム性を加える。 本稿では,測定ノイズを負債から資源に変換する。 特に、ノイズ量子測定は、いずれにせよサンプルが注入するノイズの一部を置き換えるために使われる。 我々は,測定誤差を,トレーニング可能な線形読み出しにより伝搬するマルチノイズサンプリングノイズとして特徴づける。 回路のボルン確率をデノナイジングタスクに結びつけるために、確率単純度に写像された有界零サム超平面上の拡散過程をさらに定式化する。 したがって、最小ショット条件下では、ショットノイズのない線形更新の平均と共分散に補償ノイズを適用できる。 ショットカウントのこの条件を解くことは、州に依存した適応予算を与える。 デノイング拡散暗黙モデル(DDIM)では、サンプルがより決定論的になるにつれて、この予算が増加する。 8次元のガウス混合では、スケジュールは1サンプルあたり303ドル(約3万3000円)と同等の画質を達成し、ハイショット参照は1.6\times10^{6}$、約5300\times$より少ない。 MNIST上の潜伏拡散実験は、学習された潜伏空間における生成のメカニズムをさらに検証する。

関連論文リスト

• Quantization-Aware Kalman Estimation for Diffusion Sampling [17.016094185289372]
  攻撃的圧縮は、量子化された出力を、その完全精度の出力から大きく逸脱させる可能性がある。 本稿では,量子化を意識したカルマンエスタであるQuakeと条件付きガウス観測モデルを提案する。 W4A4量子化テキスト-画像拡散モデルによる実験により、QuAKEは完全精度サンプリングから分布差を減らすために既存の手法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-09-18T07:18:50Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Multi-scale Diffusion Denoised Smoothing [79.95360025953931]
  ランダムな平滑化は、大規模モデルに敵対的ロバスト性を提供する、いくつかの具体的なアプローチの1つになっている。 本報告では, 分割平滑化におけるロバスト性と精度との現在のトレードオフに対処するスケーラブルな手法を提案する。 提案手法と拡散微細調整を併用したマルチスケール平滑化手法により,高騒音レベルで高い信頼性のロバスト性が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-25T17:11:21Z)
• Purity-Assisted Zero-Noise Extrapolation for Quantum Error Mitigation [10.577215927026199]
  誤り率仮定の制限に対処するために、純度支援ゼロノイズ外挿法(pZNE)を用いる。 pZNE法は、通常のZNEのバイアスを著しく低減しない。 有効性は、通常のZNEが制限に直面する可能性のある幅広いエラー率にまで拡張される。
  論文  参考訳（メタデータ） (2023-10-16T03:46:30Z)
• Parallel Sampling of Diffusion Models [76.3124029406809]
  拡散モデルは強力な生成モデルであるが、サンプリングが遅い。 そこで本研究では,複数のステップを並列にdenoisingすることで,事前学習した拡散モデルのサンプリングを高速化するParaDiGMSを提案する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:42Z)
• PTQD: Accurate Post-Training Quantization for Diffusion Models [22.567863065523902]
  拡散モデルの学習後の量子化は、モデルのサイズを著しく減らし、再学習することなくサンプリングプロセスを加速することができる。 既存のPTQ法を直接低ビット拡散モデルに適用することは、生成されたサンプルの品質を著しく損なう可能性がある。 本稿では,量子化復調過程における量子化雑音と拡散摂動雑音の統一的な定式化を提案する。
  論文  参考訳（メタデータ） (2023-05-18T02:28:42Z)
• Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
  ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。 本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。 提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
  論文  参考訳（メタデータ） (2023-02-08T19:38:59Z)

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。