論文の概要: Uncertainty-aware quantum machine learning based on Dempster-Shafer theory
- arxiv url: http://arxiv.org/abs/2611.16903v1
- Date: Thu, 12 Nov 2026 14:58:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.492896
- Title: Uncertainty-aware quantum machine learning based on Dempster-Shafer theory
- Title(参考訳): Dempster-Shafer理論に基づく不確実性を考慮した量子機械学習
- Abstract要約: Dempster-Shafer理論に基づく不確実性を考慮した量子分類フレームワークを提案する。
本稿では、パラメータ化された量子回路がデータから直接そのような割り当てを学習できるようにするトレーニング戦略を提案する。
- 参考スコア(独自算出の注目度): 2.074256519847377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A large body of work in quantum machine learning has centered on characterizing the expressivity and performance of quantum models. In contrast, little attention has been paid to the reliability of predictions beyond average performance measures such as accuracy. In this work, we introduce an uncertainty-aware quantum classification framework based on Dempster-Shafer theory. This theory allows to express uncertainty through weights assigned not only to individual classification labels but to sets of labels. We introduce a training strategy that enables parameterized quantum circuits to learn such assignments directly from data. This provides an efficient way to prepare the corresponding quantum states and enables the application of different post-processing strategies. In particular, it offers a practical setting for quantum Dempster-Shafer fusion procedures with polynomial resource requirements, even when the corresponding mass functions are defined over exponentially many subsets. Overall, our work represents a step toward enabling quantum models to express uncertainty about their predictions, thereby extending the evaluation of quantum models beyond predictive performance alone.
- Abstract(参考訳): 量子機械学習における多くの研究は、量子モデルの表現性と性能を特徴づけることに集中してきた。
対照的に、精度のような平均的なパフォーマンス測定以上の予測の信頼性にはほとんど注意が払われていない。
本研究では,Dempster-Shafer理論に基づく不確実性を考慮した量子分類フレームワークを提案する。
この理論は、個々の分類ラベルだけでなく、ラベルの集合に割り当てられた重みを通して不確実性を表現することができる。
本稿では、パラメータ化された量子回路がデータから直接そのような割り当てを学習できるようにするトレーニング戦略を提案する。
これにより、対応する量子状態を作成する効率的な方法が提供され、異なる後処理戦略の適用が可能になる。
特に、対応する質量関数が指数関数的に多くの部分集合上で定義される場合でも、多項式資源要求を伴う量子デンプスター・シェーファー融合手順の実践的な設定を提供する。
全体として、我々の研究は量子モデルが予測の不確実性を表現できるようにするための一歩であり、それによって量子モデルの評価は予測性能以外にも拡張される。
関連論文リスト
- Provably efficient experimental classification of quantum data with quantum kernels [0.0]
理論的には、効率的な量子状態分類のための枠組みを確立する。
プログラム可能なフォトニックプロセッサ上で,提案手法を実験的に実証する。
本研究は量子状態分類のための理論誘導および実験的に検証された枠組みを構築した。
論文 参考訳(メタデータ) (2026-10-29T04:42:33Z) - Resource-Efficient Variational Quantum Classifier [2.1276989852202726]
量子コンピューティングは情報処理の革命を約束し、機械学習と分類タスクに大きな可能性を秘めている。
1つの重要な制限は予測段階で発生し、量子モデルの本質的なランダム性は繰り返し実行を必要とする。
本稿では,不明瞭な量子分類器を定義可能な変分量子分類器の新しい測定方法を提案する。
論文 参考訳(メタデータ) (2025-11-12T11:09:10Z) - Demonstration of Efficient Predictive Surrogates for Large-scale Quantum Processors [64.50565018996328]
本稿では,与えられた量子プロセッサの平均値挙動を計算効率よくエミュレートする予測代理の概念を導入する。
これらのサロゲートを用いて、最大20個のプログラム可能な超伝導量子ビットを持つ量子プロセッサをエミュレートし、変分量子固有解器の効率的な事前学習を可能にする。
実験結果から, 予測サロゲートは測定オーバーヘッドを桁違いに低減するだけでなく, 従来の量子リソース集約的な手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2025-07-23T12:51:03Z) - 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) - Quantum Classifiers with Trainable Kernel [15.908830091887719]
我々は、特徴状態の範囲を広げるために、普遍的に訓練可能な量子特徴マッピングレイアウトを考案する。
また、部分的に重み付けされた試行状態を利用する改良型量子支援ベクトルマシンを提案する。
本稿では,1対1と1対1のアプローチのための量子反復型マルチクラス化フレームワークを提案する。
論文 参考訳(メタデータ) (2025-05-07T08:38:50Z) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳(メタデータ) (2024-08-19T12:18:07Z) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳(メタデータ) (2024-01-31T01:02:16Z) - Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳(メタデータ) (2023-06-29T18:00:01Z) - Quantum Conformal Prediction for Reliable Uncertainty Quantification in
Quantum Machine Learning [47.991114317813555]
量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。
本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
論文 参考訳(メタデータ) (2023-04-06T22:05:21Z)
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。