1シンガポール国立大学量子技術センター、シンガポール 117543
2パリ大学、IRIF、CNRS、F-75013 パリ、フランス; マジュラボ UMI 3654
この論文を興味深いと思うか、議論したいですか? SciRateを引用するかコメントを残す.
抽象
機械学習と量子コンピューティングのインターフェースにおける重要な問題は、最適なサンプル複雑さと量子加速された時間複雑さでどのような分布を証明可能に学習できるかということです。 古典的なケースでは、Klivans と Goel は、カーネル化回帰に関連する分布を学習するアルゴリズムである $Alphatron$ について議論し、これを XNUMX 層ニューラル ネットワークの学習にも適用しました。 この作業では、Alphatron の量子バージョンをフォールト トレラント設定で提供します。 明確に定義された学習モデルでは、この量子アルゴリズムは、基礎となる概念クラスの広範囲のパラメーターに対して多項式の高速化を実現できます。 XNUMX つのタイプの高速化について説明します。XNUMX つはカーネル行列の評価用、もう XNUMX つは確率的勾配降下法での勾配の評価用です。 また、XNUMX 層ニューラル ネットワークの学習に関連した量子の利点についても説明します。 私たちの研究は、カーネルとサンプルからの量子学習の研究に貢献します。
►BibTeXデータ
►参照
【1] Jonathan Allcock、Chang-Yu Hsieh、Iordanis Kerenidis、および Shengyu Zhang、「フィードフォワード ニューラル ネットワークの量子アルゴリズム」量子コンピューティングに関する ACM トランザクション 1 (2020)。
https:/ / doi.org/ 10.1145 / 3411466
【2] J. van Apeldoornand A. Gilyén「ゼロサム ゲームのための量子アルゴリズム」arXiv:1904.03180 (2019)。
https:/ / doi.org/ 10.48550 / arXiv.1904.03180
【3] Srinivasan Arunachalam、Vlad Gheorghiu、Tomas Jochym-O'Connor、Michele Mosca、Priyaa Varshinee Srinivasan、「バケツリレー量子 RAM の堅牢性について」New Journal of Physics 17、123010 (2015)。
https://doi.org/10.1088/1367-2630/17/12/123010
【4] Peter L. Bartlettand Shahar Mendelson 「Rademacher および Gaussian Complexities: Risk Bounds and Structural Results」 J. Mach. 学ぶ。 解像度3、463–482 (2003)。
https:/ / doi.org/ 10.5555 / 944919.944944
【5] Kerstin Beer、Dmytro Bondarenko、Terry Farrelly、Tobias J. Osborne、Robert Salzmann、Daniel Scheiermann、Ramona Wolf、「深層量子ニューラル ネットワークのトレーニング」Nature Communications 11、808 (2020)。
https://doi.org/10.1038/s41467-020-14454-2
【6] Jacob Biamonte、Peter Wittek、Nicola Pancotti、Patrick Rebentrost、Nathan Wiebe、Seth Lloyd、「Quantummachinelearning」Nature549、195–202(2017)。
https:/ / doi.org/ 10.1038 / nature23474
【7] Fernando GSL Brandao および Krysta M. Svore「半定値プログラムを解くための量子スピードアップ」2017 IEEE 58th Annual Symposium on Foundations of Computer Science (FOCS) 415–426 (2017)。
https:/ / doi.org/ 10.1109 / FOCS.2017.45
【8] Gilles Brassard、Peter Høyer、Michele Mosca、および Alain Tapp、「量子振幅の増幅と推定」現代数学 305、53–74 (2002)。
https:/ / doi.org/ 10.1090 / conm / 305/05215
【9] Yudong Cao、Gian Giacomo Guerreschi、Alán Aspuru-Guzik、「量子ニューロン: 量子コンピューターでの機械学習のための基本構成要素」arXiv:1711.11240 (2017)。
https:/ / doi.org/ 10.48550 / arXiv.1711.11240
【10] C. Ciliberto、M. Herbster、AD Ialongo、M. Pontil、A. Rocchetto、S. Severini、および L. Wossnig、「量子機械学習: 古典的な視点」王立協会論文集 A: 数学、物理および工学科学474、20170551 (2018)。
https:/ / doi.org/ 10.1098 / rspa.2017.0551
【11] C. Dürrand P. Høyer「最小値を見つけるための量子アルゴリズム」arXiv:9607014 (1996)。
https:/ / doi.org/ 10.48550 / arXiv.quant-ph / 9607014
【12] Andrá s Gilyén、Srinivasan Arunachalam、Nathan Wiebe、「より高速な量子勾配計算による量子最適化アルゴリズムの最適化」工業応用数学協会 (2019)。
https:/ / doi.org/ 10.1137 / 1.9781611975482.87
【13] Vittorio Giovannetti、Seth Lloyd、Lorenzo Maccone、「量子ランダム アクセス メモリのアーキテクチャ」Phys. Rev. A 78、052310 (2008)。
https:/ / doi.org/ 10.1103 / PhysRevA.78.052310
【14] ヴィットリオ・ジョヴァネッティ、セス・ロイド、ロレンツォ・マッコーネ、「量子ランダム・アクセス・メモリー」物理学。 レット牧師。 100、160501 (2008)。
https:/ / doi.org/ 10.1103 / PhysRevLett.100.160501
【15] Surbhi Goeland Adam R. Klivans「多項式時間における 99 つの非線形層を使用したニューラル ネットワークの学習」第 1470 回学習理論会議議事録 1499、2019–XNUMX (XNUMX)。
https:/ / doi.org/ 10.48550 / arXiv.1709.06010
【16] Lov Groverand Terry Rudolph「効率的に積分可能な確率分布に対応する重ね合わせの作成」arXiv プレプリント quant-ph/ 0208112 (2002)。
https:/ / doi.org/ 10.48550 / arXiv.quant-ph / 0208112
【17] Aram W. Harrow、Avinatan Hassidim、Seth Lloyd、「線形方程式系の量子アルゴリズム」Phys. レット牧師。 103、150502 (2009)。
https:/ / doi.org/ 10.1103 / PhysRevLett.103.150502
【18] VojtěchHavlíček、AntonioD.Córcoles、Kristan Temme、Aram W. Harrow、Abhinav Kandala、Jerry M. Chow、Jay M. Gambetta、「量子強化特徴空間による教師あり学習」Nature 567、209–212(2019)。
https://doi.org/10.1038/s41586-019-0980-2
【19] MJ Kearnsand RE Schapire「確率的概念の効率的な分散フリー学習」議事録 [1990] 第 31 回コンピュータ サイエンスの基礎に関する年次シンポジウム 382–391 vol.1 (1990)。
https:/ / doi.org/ 10.1109/ FSCS.1990.89557
【20] Adam Klivansand Raghu Meka「乗算重みを使用したグラフィカル モデルの学習」2017 IEEE 58th Annual Symposium on Foundations of Computer Science (FOCS) 343–354 (2017)。
https:/ / doi.org/ 10.1109 / FOCS.2017.39
【21] Tongyang Li、Shovanik Chakrabarti、および Xiaodi Wu、「線形およびカーネルベースの分類子をトレーニングするためのサブ線形量子アルゴリズム」第 36 回機械学習国際会議議事録、ICML 2019、9 年 15 月 2019 ~ 97 日、米国カリフォルニア州ロングビーチ 3815、 3824–2019 (XNUMX)。
https:/ / doi.org/ 10.48550 / arXiv.1904.02276
【22] Roi Livni、Shai Shalev-Shwartz、および Ohad Shamir、「ニューラル ネットワークのトレーニングの計算効率について」第 27 回神経情報処理システム国際会議議事録、第 1 巻 855–863 (2014)。
https:/ / doi.org/ 10.5555 / 2968826.2968922
【23] Jarrod R McClean、Jonathan Romero、Ryan Babbush、Alán Aspuru-Guzik、「変分ハイブリッド量子古典アルゴリズムの理論」New Journal of Physics 18、023023 (2016)。
https://doi.org/10.1088/1367-2630/18/2/023023
【24] ジョン・プレスキル「NISQ時代以降の量子コンピューティング」量子2、79(2018)。
https://doi.org/10.22331/q-2018-08-06-79
【25] Patrick Rebentrost、Masoud Mohseni、Seth Lloyd、「ビッグ データ分類のための量子サポート ベクター マシン」Phys. レット牧師。 113、130503 (2014)。
https:/ / doi.org/ 10.1103 / PhysRevLett.113.130503
【26] Patrick Rebentrost、Yassine Hamoudi、Maharshi Ray、Xin Wang、Siyi Yang、Miklos Santha、「ヘッジとイジング モデルの学習のための量子アルゴリズム」 Phys. Rev. A 103、012418 (2021)。
https:/ / doi.org/ 10.1103 / PhysRevA.103.012418
【27] Itay Safranand Ohad Shamir「ニューラル ネットワークを使用した自然関数の近似における深さ幅のトレードオフ」第 34 回機械学習国際会議議事録 – 第 70 巻 2979 ~ 2987 年 (2017)。
https:/ / doi.org/ 10.5555 / 3305890.3305989
【28] Bernhard Schölkopfand Alexander J Smola 『カーネルで学ぶ: サポート ベクター マシン、正則化、最適化、そしてその先』MIT 出版局 (2002 年)。
https:/ / doi.org/ 10.7551 / mitpress / 4175.001.0001
【29] Maria Schuldand NathanKilloran「特徴ヒルベルト空間における量子機械学習」物理学。 レット牧師122、040504(2019)。
https:/ / doi.org/ 10.1103 / PhysRevLett.122.040504
【30] Ewin Tang「レコメンデーション システムのための量子にインスパイアされた古典的アルゴリズム」Proceedings of the 51st Annual ACM SIGACT Symposium on Theory of Computing 217–228 (2019)。
https:/ / doi.org/ 10.1145 / 3313276.3316310
【31] MD Vose「与えられた分布で乱数を生成するための線形アルゴリズム」IEEE Transactions on Software Engineering 17、972–975 (1991)。
https:/ / doi.org/ 10.1109 / 32.92917
【32] AJ Walker「任意の周波数分布で離散乱数を生成する新しい高速手法」Electronics Letters 10、127–128 (1974)。
https:/ / doi.org/ 10.1049 / el:19740097
【33] ネイサン・ウィーブ、ダニエル・ブラウン、セス・ロイド、「データフィッティングのための量子アルゴリズム」物理学。 レット牧師。 109、050505 (2012)。
https:/ / doi.org/ 10.1103 / PhysRevLett.109.050505
によって引用
[1] Lukas Mouton、Florentin Reiter、Ying Chen、および Patrick Rebentrost、「非線形偏微分方程式を解くための深層学習ベースの量子アルゴリズム」、 arXiv:2305.02019, (2023).
[2] Yusen Wu、Bujiao Wu、Jingbo Wang、および Xiao Yuan、「量子カーネル法による量子位相認識」、 arXiv:2111.07553, (2021).
[3]JoãoF。Doriguello、Alessandro Luongo、Jinge Bao、Patrick Rebentrost、およびMiklos Santha、「金融アプリケーションでの確率的最適停止問題の量子アルゴリズム」、 arXiv:2111.15332, (2021).
[4] Debbie Lim および Patrick Rebentrost、「量子オンライン ポートフォリオ最適化アルゴリズム」、 arXiv:2208.14749, (2022).
[5] Jeong Yu Han および Patrick Rebentrost、「マルチオプション ポートフォリオの価格設定と評価調整における量子的利点」、 arXiv:2203.04924, (2022).
[6] Yusen Wu、Bujiao Wu、Jingbo Wang、および Xiao Yuan、「量子カーネル法による量子位相認識」、 量子7、981(2023).
[7] Armando Bellante および Stefano Zanero、「量子マッチングの追求: スパース表現のための量子アルゴリズム」、 フィジカルレビューA 105 2、022414(2022).
上記の引用は SAO / NASA ADS (最後に正常に更新された2023-11-10 23:43:53)。 すべての出版社が適切で完全な引用データを提供するわけではないため、リストは不完全な場合があります。
On Crossrefの被引用サービス 作品の引用に関するデータは見つかりませんでした(最後の試行2023-11-10 23:43:52)。
この論文は、 Creative Commons Attribution 4.0 International(CC BY 4.0) ライセンス。 著作権は、著者やその機関などの元の著作権者にあります。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源: https://quantum-journal.org/papers/q-2023-11-08-1174/
- :は
- :not
- ][p
- 001
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 視聴者の38%が
- 16
- 17
- 19
- 1996
- 20
- 2008
- 2009
- 2012
- 2014
- 2015
- 2016
- 2017
- 2018
- 2019
- 2020
- 2021
- 2022
- 2023
- 22
- 23
- 24
- 25
- 26
- 27
- 27
- 28
- 29
- 30
- 31
- 31
- 32
- 33
- 39
- 7
- 70
- 8
- 87
- 9
- 97
- a
- できる
- 上記の.
- 抽象
- アクセス
- ACM
- アダム
- 調整
- 利点
- 所属
- アレクサンダー
- アルゴリズム
- アルゴリズム
- すべて
- また
- 増幅
- an
- および
- 毎年恒例の
- 適用された
- です
- AS
- 試み
- 著者
- 著者
- BE
- (ダグラス・ビーチ)
- ビール
- 越えて
- ビッグ
- ビッグデータ
- ブロック
- 境界
- ブレーク
- 建物
- by
- カリフォルニア州
- 缶
- 場合
- チェン
- チャウ
- 引用
- class
- 分類
- コメント
- コモンズ
- 通信部
- コンプリート
- 複雑さ
- 計算
- 計算的
- コンピュータ
- コンピュータサイエンス
- コンピューター
- コンピューティング
- コンセプト
- コンセプト
- 講演
- 現代の
- コンテキスト
- 貢献する
- 著作権
- Daniel Mölk
- データ
- de
- デビー
- 深いです
- それ
- 話し合います
- 議論する
- ディストリビューション
- ディストリビューション
- e
- 効率
- 効率良く
- 電子
- エンジニアリング
- 方程式
- 時代
- エーテル(ETH)
- 評価します
- スピーディー
- 速いです
- 特徴
- ファイナンス
- 発見
- フィッティング
- 発見
- 財団
- フランス
- 周波数
- から
- 機能
- Games
- 生成
- ジル
- 与えられた
- ゴエル
- ハーバード
- ヘッジング
- ホルダー
- HTTPS
- ハイブリッド
- ハイブリッド量子クラシック
- IEEE
- 重要
- in
- インダストリアル
- 情報
- 機関
- 興味深い
- インタフェース
- 世界全体
- ジェイコブ
- JavaScriptを
- John Redfern
- ジョナサン
- ジャーナル
- 六月
- 大
- 姓
- 層
- LEARN
- 学んだ
- 学習
- コメントを残す
- li
- ライセンス
- リスト
- 長い
- 機械
- 機械学習
- マシン
- マリア
- マッチング
- 数学的
- 数学
- マトリックス
- 五月..
- マクリーン
- メカ
- メモリ
- 方法
- メソッド
- 最小
- マサチューセッツ工科大学(MIT)
- モデル
- 月
- 国民
- ナチュラル
- 自然
- ネットワーク
- ニューラル
- ニューラルネットワーク
- 新作
- いいえ
- ノイズ
- 11月
- 番号
- of
- on
- ONE
- オンライン
- 開いた
- 最適な
- 最適化
- or
- オリジナル
- 私たちの
- ページ
- 紙素材
- パラメータ
- パリ
- パトリック
- 視点
- Peter Bauman
- 相
- 物理的な
- 物理学
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- ポートフォリオ
- 価格設定
- 確率
- 問題
- 手続き
- Proceedings
- 処理
- プログラム
- おそらく
- 提供します
- 公表
- 出版社
- 出版社
- 追求
- 量子
- 量子超越性
- 量子アルゴリズム
- 量子コンピュータ
- 量子コンピューティング
- 質問
- R
- RAM
- ランダム
- 範囲
- RAY
- 認識
- おすすめ
- リファレンス
- 回帰
- 関連する
- 残っている
- 結果
- レビュー
- リスク
- ROBERT
- 丈夫
- ROI
- ロイヤル
- Ryan Tan
- s
- 科学
- 科学
- 設定
- シンガポール
- 社会
- ソフトウェア
- ソフトウェア工学
- 解決
- スペース
- 停止
- 構造の
- 勉強
- 首尾よく
- そのような
- 適当
- サポート
- シンポジウム
- システム
- タング
- テクノロジー
- それ
- アプリ環境に合わせて
- 理論
- 彼ら
- この
- 時間
- 役職
- 〜へ
- トレーニング
- 取引
- 2
- 下
- 根本的な
- 大学
- 更新しました
- URL
- USA
- 評価
- バージョン
- 、
- ヴラッド
- ボリューム
- W
- ウォーカー
- 王
- 欲しいです
- ました
- we
- 明確な
- この試験は
- which
- 狼
- 仕事
- 作品
- wu
- シャオ
- 年
- 英
- 元
- ゼファーネット
- チャン