1ウォータールー大学物理学科、ウォータールー、オンタリオ州、N2L 3G1、カナダ
2量子コンピューティング研究所、オンタリオ州ウォータールー、N2L 3G1、カナダ
3理論物理学周辺研究所、オンタリオ州ウォータールー、N2L 2Y5、カナダ
4Xanadu、トロント、ON、M5G 2C8、カナダ
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
ディープ ニューラル ネットワークの広範な成功により、古典的な機械学習における驚きが明らかになりました。非常に複雑なモデルは、多くの場合、適切に一般化されると同時に、トレーニング データが過剰適合されます。この良性の過学習現象は、深層学習の背後にあるメカニズムをより深く理解することを目的として、さまざまな古典的なモデルに対して研究されてきました。量子機械学習の文脈で現象を特徴付けることは、同様に、過剰適合、過剰パラメータ化、および一般化の間の関係についての理解を向上させる可能性があります。この研究では、量子モデルにおける良性の過剰適合の特徴付けを提供します。これを行うために、ノイズの多い信号を回帰するための古典的な補間フーリエ特徴モデルの動作を導き出し、量子モデルのクラスがどのように類似の特徴を示し、それによって量子回路の構造 (データ符号化や状態準備操作など) をリンクするかを示します。 ) 量子モデルの過剰パラメータ化と過剰適合。局所的に「スパイキー」な動作を伴うノイズの多いデータを補間する量子モデルの能力に従ってこれらの特徴を直観的に説明し、良性の過剰適合の具体的な実証例を提供します。
►BibTeXデータ
►参照
【1] マイケル・A・ニールセン。 「ニューラルネットワークとディープラーニング」。決定を押します。 (2015年)。 URL: http://neuralnetworksanddeeplearning.com/
http:/ / neuronetworksanddeeplearning.com/
【2] スチュアート・ゲーマン、エリー・ビーネンシュトック、ルネ・ドゥルサ。 「ニューラルネットワークと偏り/分散のジレンマ」。ニューラルコンピューティング。 4、1–58 (1992)。
https:/ / doi.org/ 10.1162 / neco.1992.4.1.1
【3] トレバー・ハスティ、ロバート・ティブシラニ、ジェローム・H・フリードマン、ジェローム・H・フリードマン。 「統計学習の要素: データマイニング、推論、予測」。 2巻。スプリンガー。 (2009年)。
https://doi.org/10.1007/978-0-387-84858-7
【4] ピーター・L・バートレット、アンドレア・モンタナリ、アレクサンダー・ラクリン。 「ディープラーニング:統計的視点」。 Acta Numerica 30、87–201 (2021)。
https:/ / doi.org/ 10.1017 / S0962492921000027
【5] ミハイル・ベルキン。 「恐れることなくフィットする: 補間のプリズムを通した深層学習の驚くべき数学的現象」。 Acta Numerica 30、203–248 (2021)。
【6] ピーター・L・バートレット、フィリップ・M・ロング、ガボール・ルゴシ、アレクサンダー・ツィグラー。 「線形回帰における良性の過学習」。手順国立アカド。科学。 117、30063–30070 (2020)。
https:/ / doi.org/ 10.1073 / pnas.1907378117
【7] ミハイル・ベルキン、ダニエル・スー、シユアン・マー、スーミク・マンダル。 「現代の機械学習の実践と古典的なバイアスと分散のトレードオフの調和」。手順国立アカド。科学。 116、15849–15854 (2019)。
https:/ / doi.org/ 10.1073 / pnas.1903070116
【8] ミハイル・ベルキン、アレクサンダー・ラクリン、アレクサンドル・B・ツィバコフ。 「データ補間は統計的な最適性に矛盾しますか?」機械学習研究の議事録。 89 巻、1611 ~ 1619 ページ。 PMLR (2019)。 URL: https://proceedings.mlr.press/v89/belkin19a.html
https:/ / proceedings.mlr.press/ v89/ belkin19a.html
【9] ヴィディヤ・ムトゥクマール、カイラス・ヴォドラハリ、ヴィグネーシュ・スブラマニアン、アナント・サハイ。 「回帰におけるノイズの多いデータの無害な補間」。情報理論の選択領域に関する IEEE ジャーナル 1、67–83 (2020)。
https:/ / doi.org/ 10.1109 / ISIT.2019.8849614
【10] ヴィディヤ・ムトゥクマール、アディヤン・ナラン、ヴィグネーシュ・スブラマニアン、ミハイル・ベルキン、ダニエル・スー、アナント・サハイ。 「過剰パラメータ化された領域における分類と回帰: 損失関数は重要ですか?」 J.マッハ。学ぶ。解像度22、1–69 (2021)。 URL: http://jmlr.org/papers/v22/20-603.html
http:/ / jmlr.org/ papers / v22 / 20-603.html
【11] イェフダ・ダール、ヴィディヤ・ムトゥクマール、リチャード・G・バラニウク。 「バイアスと分散のトレードオフに別れを告げる?過剰パラメータ化された機械学習の理論の概要」 (2021)。 arXiv:2109.02355。
arXiv:2109.02355
【12] マルチェロ・ベネデッティ、エリカ・ロイド、ステファン・サック、マッティア・フィオレンティーニ。 「機械学習モデルとしてのパラメータ化された量子回路」。量子科学テクノロジー。 4、043001 (2019)。
https://doi.org/10.1088/2058-9565/ab4eb5
【13] 御手洗、根来、北川、藤井。 「量子回路学習」。 物理。 Rev. A 98、032309 (2018)。
https:/ / doi.org/ 10.1103 / physreva.98.032309
【14] Maria Schuld、Ville Bergholm、Christian Gogolin、Josh Izaac、Nathan Killoran。 「量子ハードウェアでの分析勾配の評価」。 物理。 Rev. A 99、032331 (2019)。
https:/ / doi.org/ 10.1103 / physreva.99.032331
【15] マリア・シュルドとネイサン・キローラン。 「特徴ヒルベルト空間における量子機械学習」。 物理。 Rev.Lett. 122, 040504 (2019).
https:/ / doi.org/ 10.1103 / physrevlett.122.040504
【16] ヴォイチェフ・ハヴリーチェク、アントニオ・D・コルコレス、クリスタン・テンメ、アラム・W・ハロウ、アビナブ・カンダラ、ジェリー・M・チョウ、ジェイ・M・ガンベッタ。 「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
【17] セス・ロイドとクリスチャン・ウィードブルック。 「量子生成敵対的学習」。物理学。レット牧師。 121、040502 (2018)。
https:/ / doi.org/ 10.1103 / physrevlett.121.040502
【18] ピエール=リュック・ダレール=デマースとネイサン・キローラン。 「量子生成敵対的ネットワーク」。物理学。 Rev. A 98、012324 (2018)。
https:/ / doi.org/ 10.1103 / physreva.98.012324
【19] アミラ・アッバス、デヴィッド・サッター、クリスタ・ズファル、オーレリアン・ルッキ、アレッシオ・フィガリ、ステファン・ヴェルナー。 「量子ニューラルネットワークの力」。ナット。計算します。科学。 1、403–409 (2021)。
https://doi.org/10.1038/s43588-021-00084-1
【20] ローガン・G・ライトとピーター・L・マクマホン。 「量子ニューラルネットワークの能力」。 2020 年レーザーと電気光学カンファレンス (CLEO)。 1~2ページ。 (2020年)。 URL: https://ieeexplore.ieee.org/document/9193529。
https:/ / ieeexplore.ieee.org/ document / 9193529
【21] スーキン・シム、ピーター・D・ジョンソン、アラン・アスプル=グジク。 「ハイブリッド量子古典アルゴリズムのためのパラメータ化された量子回路の表現可能性ともつれ能力」。 上級量子技術。 2、1900070 (2019)。
https:/ / doi.org/ 10.1002 / qute.201900070
【22] トーマス・フブレグツェン、ヨーゼフ・ピヒルマイヤー、パトリック・シュテッヒャー、ケーン・ベルテルス。 「パラメータ化された量子回路の評価:分類精度、表現可能性、もつれ能力の関係について」。量子マッハ。知性。 3、1 (2021)。
https:/ / doi.org/ 10.1007 / s42484-021-00038-w
【23] ジャロッド・R・マクリーン、セルジオ・ボイショ、ヴァディム・N・スメリャンスキー、ライアン・バブシュ、ハルトムート・ネヴェン。 「量子ニューラルネットワークのトレーニング風景における不毛の台地」。 ナット。 共通。 9、4812 (2018)。
https://doi.org/10.1038/s41467-018-07090-4
【24] マルコ・セレッソ、曽根明、タイラー・ヴォルコフ、ルカシュ・シンシオ、パトリック・J・コールズ。 「浅いパラメータ化された量子回路におけるコスト関数依存の不毛なプラトー」。ナット。共通。 12 年 1791 日 (2021 年)。
https:/ / doi.org/ 10.1038 / s41467-021-21728-w
【25] マティアス・C・カロ、エリエス・ギル=ファスター、ヨハネス・ヤコブ・マイヤー、イェンス・アイサート、ライアン・スウェク。 「パラメータ化された量子回路のエンコーディング依存の一般化限界」。クォンタム 5、582 (2021)。
https://doi.org/10.22331/q-2021-11-17-582
【26] ファン・シンユアン、マイケル・ブロートン、マスード・モーセニ、ライアン・バブシュ、セルジオ・ボイショ、ハルトムット・ネブン、ジャロッド・R・マクリーン。 「量子機械学習におけるデータの力」。ナット。共通。 12 年 2631 月 (2021 年)。
https://doi.org/10.1038/s41467-021-22539-9
【27] マティアス・C・カロ、シンユアン・ファン、M・セレッソ、クナル・シャルマ、アンドリュー・ゾンボーガー、ウカシュ・シンシオ、パトリック・J・コールズ。 「少数のトレーニングデータからの量子機械学習の一般化」。ナット。共通。 13、4919 (2022)。
https://doi.org/10.1038/s41467-022-32550-3
【28] レオナルド・バンキ、ジェイソン・ペレイラ、ステファノ・ピランドラ。 「量子機械学習における一般化: 量子情報の観点」。 PRX クアンタム 2、040321 (2021)。
https:/ / doi.org/ 10.1103 / PRXQuantum.2.040321
【29] フランシスコ・ハビエル・ジル・ビダルとダーク・オリバー・タイス。 「パラメータ化された量子回路の入力冗長性」。 正面。 物理学。 8、297 (2020)。
https:/ / doi.org/ 10.3389 / fphy.2020.00297
【30] マリア・シュルド、ライアン・スウェク、ヨハネス・ヤコブ・マイヤー。 「変分量子機械学習モデルの表現力に対するデータエンコーディングの影響」。 物理学。 Rev. A 103、032430 (2021)。
https:/ / doi.org/ 10.1103 / physreva.103.032430
【31] デビッド・ウィエリクス、ジョシュ・アイザック、コーディ・ワン、セドリック・イェンユー・リン。 「量子勾配の一般的なパラメータシフト規則」。クォンタム 6、677 (2022)。
https://doi.org/10.22331/q-2022-03-30-677
【32] ケンダル・E・アトキンソン。 「数値解析入門」。ジョン・ワイリー&サンズ。 (2008年)。
【33] アリ・ラヒミとベンジャミン・レヒト。 「大規模カーネルマシン用のランダム機能」。神経情報処理システムの進歩。第 20 巻。(2007)。 URL: https://papers.nips.cc/paper_files/paper/2007/hash/013a006f03dbc5392efeb8f18fda755-Abstract.html
https://papers.nips.cc/paper_files/paper/2007/hash/013a006f03dbc5392effeb8f18fda755-Abstract.html
【34] ウォルター・ルーディン。 「フーリエ解析の基本定理」。ジョン・ワイリー・アンド・サンズ株式会社 (1990)。
https:/ / doi.org/ 10.1002 / 9781118165621.ch1
【35] ソン・メイとアンドレア・モンタナリ。 「ランダム特徴回帰の一般化誤差: 正確な漸近線と二重降下曲線」。共通。ピュアアプリ。数学。 75、667–766 (2022)。
https:/ / doi.org/ 10.1002 / cpa.22008
【36] トレバー・ハスティ、アンドレア・モンタナリ、サハロン・ロセット、ライアン・J・ティブシラニ。 「高次元隆起なし最小二乗補間の驚き」。アン。統計50、949 – 986 (2022)。
https:/ / doi.org/ 10.1214 / 21-AOS2133
【37] Tengyuan Liang、Alexander Rakhlin、Xiyu Zhai。 「最小ノルム補間関数の多重降下とカーネルの制限された下位アイソメトリについて」。機械学習研究の議事録。 125 巻、1 ~ 29 ページ。 PMLR (2020)。 URL: http://proceedings.mlr.press/v125/liang20a.html
http:// / proceedings.mlr.press/ v125/ liang20a.html
【38] エドワード・ファリとハルトムート・ネヴェン。 「短期プロセッサ上の量子ニューラル ネットワークによる分類」(2018)。 arXiv:1802.06002.
arXiv:1802.06002
【39] マリア・シュルド、アレックス・ボチャロフ、クリスタ・M・スヴォア、ネイサン・ウィーブ。 「回路中心の量子分類器」。 物理学。 Rev. A 101、032308 (2020)。
https:/ / doi.org/ 10.1103 / physreva.101.032308
【40] アドリアン・ペレス=サリナス、アルバ・セルベラ=リエルタ、エリエス・ジル=ファスター、ホセ・I・ラトーレ。 「ユニバーサル量子分類器のデータの再アップロード」。 量子 4、226 (2020)。
https://doi.org/10.22331/q-2020-02-06-226
【41] ソフィーネ・ジェルビ、ルーカス・J・フィデラー、ヘンドリック・ポールセン・ナウトルップ、ヨナス・M・キューブラー、ハンス・J・ブリーゲル、ベドラン・ドゥニコ。 「カーネル手法を超えた量子機械学習」。ナット。共通。 14, 517 (2023)。
https:/ / doi.org/ 10.1038 / s41467-023-36159-y
【42] キャスパー・ギュリク、ディヨン・ヴロイミンゲン、ヴァン、ベドラン・ドゥニコ。 「量子線形分類器の構造リスクの最小化」。クォンタム 7、893 (2023)。
https://doi.org/10.22331/q-2023-01-13-893
【43] マリア・シュルド。 「教師あり量子機械学習モデルはカーネル メソッドです」(2021 年)。 arXiv:2101.11020.
arXiv:2101.11020
【44] S.シン、Y.S.テオ、H.チョン。 「量子教師あり学習のための指数関数的データ符号化」。物理学。 Rev. A 107、012422 (2023)。
https:/ / doi.org/ 10.1103 / PhysRevA.107.012422
【45] ソフィー・ピカール。 「ユークリッド空間の点のアンサンブルの距離のアンサンブル。」ヌーシャテル大学回想録。大学事務局。 (1939年)。
【46] デイブ・ウェッカー、マシュー・B・ヘイスティングス、ネイサン・ウィーブ、ブライアン・K・クラーク、チェタン・ナヤック、マティアス・トロイヤー。 「量子コンピューター上で強相関電子モデルを解く」。物理学。 Rev. A 92、062318 (2015)。
https:/ / doi.org/ 10.1103 / PhysRevA.92.062318
【47] Ian D. Kivlichan、Jarrod McClean、Nathan Wiebe、Craig Gidney、Alán Aspuru-Guzik、Garnet Kin-Lic Chan、Ryan Babbush。 「線形の深さと接続性を備えた電子構造の量子シミュレーション」。 物理。 Rev.Lett. 120、110501 (2018)。
https:/ / doi.org/ 10.1103 / PhysRevLett.120.110501
【48] マルティン・ラロッカ、フレデリック・ソバージュ、ファリス・M・スバヒ、ギョーム・ヴェルドン、パトリック・J・コールズ、M・セレッソ。 「群不変量子機械学習」。 PRX クアンタム 3、030341 (2022)。
https:/ / doi.org/ 10.1103 / PRXQuantum.3.030341
【49] ヨハネス・ヤコブ・マイヤー、マリアン・ムラスキー、エリエス・ギル=ファスター、アントニオ・アンナ・メレ、フランチェスコ・アルザーニ、アリッサ・ウィルムス、イェンス・アイザート。 「変分量子機械学習における対称性の利用」。 PRX クォンタム 4、010328 (2023)。
https:/ / doi.org/ 10.1103 / PRXQuantum.4.010328
【50] マーティン・ラロッカ、ネイサン・ジュ、ディエゴ・ガルシア=マルティン、パトリック・J・コールズ、マルコ・セレッソ。 「量子ニューラルネットワークにおけるオーバーパラメータ化の理論」。ナット。計算します。科学。 3、542–551 (2023)。
https://doi.org/10.1038/s43588-023-00467-6
【51] Yuxuan Du、Min-Hsiu Hsieh、Tongliang Liu、Dacheng Tao。 「パラメータ化された量子回路の表現力」。物理学。 Rev. Res. 2、033125 (2020)。
https:/ / doi.org/ 10.1103 / physrevresearch.2.033125
【52] Zoë Holmes、Kunal Sharma、M. Cerezo、および Patrick J. Coles。 「アナツの表現可能性を勾配の大きさと不毛の台地に結び付ける」. PRX Quantum 3、010313 (2022)。
https:/ / doi.org/ 10.1103 / PRXQuantum.3.010313
【53] サムソン・ワン、エンリコ・フォンタナ、マルコ・セレッソ、クナル・シャルマ、曽根明、ルカシュ・シンシオ、パトリック・J・コールズ。 「変分量子アルゴリズムにおけるノイズ誘発の不毛のプラトー」。ナット。共通。 12、6961 (2021)。
https://doi.org/10.1038/s41467-021-27045-6
【54] アブドゥルカディル・カナタル、エヴァン・ピーターズ、ジェンギズ・ペレヴァン、ステファン・M・ワイルド、ルスラン・シェイドゥリン。 「帯域幅により、量子カーネル モデルの一般化が可能になります。」機械学習研究に関するトランザクション (2023)。 URL: https://openreview.net/forum?id=A1N2qp4yAq。
https://openreview.net/forum?id=A1N2qp4yAq
【55] ファン・シンユアン、マイケル・ブロートン、ジョーダン・コトラー、シタン・チェン、ジェリー・リー、マスード・モーセニ、ハルトムット・ネブン、ライアン・バブシュ、リチャード・クエン、ジョン・プレスキル、ジャロッド・R・マクリーン。 「実験から学ぶことにおける量子の利点」。サイエンス 376、1182–1186 (2022)。
https:/ / doi.org/ 10.1126/ science.abn7293
【56] シタン・チェン、ジョーダン・コトラー、シンユアン・ファン、ジェリー・リー。 「量子メモリを使用した場合と使用しない場合の学習間の指数関数的な分離」。 2021 年には、IEEE 62nd Annual Symposium on Foundations of Computer Science (FOCS) が開催されます。 574 ~ 585 ページ。 (2022年)。
https:/ / doi.org/ 10.1109 / FOCS52979.2021.00063
【57] シンユアン・ファン、リチャード・クエン、ジョン・プレスキル。 「機械学習における量子の優位性に関する情報理論の限界」。 物理学。 レット牧師。 126、190505 (2021)。
https:/ / doi.org/ 10.1103 / PhysRevLett.126.190505
【58] ヴィル・ベルグホルム、ジョシュ・アイザック、マリア・シュルド、クリスチャン・ゴゴリン、M・ソハイブ・アラム、シャナワズ・アーメド、フアン・ミゲル・アラソラ、カルステン・ブランク、アラン・デルガド、ソラン・ジャハンギリ、ケリー・マッキーナン、ヨハネス・ヤコブ・マイヤー、ゼユエ・ニウ、アンタル・サーヴァ、ネイサン・キローラン。 「ペニーレーン: ハイブリッド量子古典計算の自動微分」 (2018)。 arXiv:1811.04968。
arXiv:1811.04968
【59] ピーター・L・バートレット、フィリップ・M・ロング、ガボール・ルゴシ、アレクサンダー・ツィグラー。 「線形回帰における良性の過学習」。手順国立アカド。科学。 117、30063–30070 (2020)。
https:/ / doi.org/ 10.1073 / pnas.1907378117
【60] ウラジミール・コルチンスキーとカリム・ルニチ。 「サンプル共分散演算子の濃度不等式とモーメント限界」。ベルヌーイ 23、110 – 133 (2017)。
https:/ / doi.org/ 10.3150/ 15-BEJ730
【61] ズビグニフ・プチャワとヤロスワフ・アダム・ミシュチャク。 「ユニタリー群のハール測度に関する記号積分」。ブル。ポール。アカド。科学。 65、21–27 (2017)。
https:/ / doi.org/ 10.1515 / bpasts-2017-0003
【62] ダニエル・A・ロバーツとベニ・ヨシダ。 「設計による混沌と複雑さ」。 J. 高エネルギー物理学。 2017、121(2017)。
https:/ / doi.org/ 10.1007 / jhep04(2017)121
【63] ウォレス・C・バブコック。 「無線システムにおける相互変調干渉の発生頻度とチャネル選択による制御」。ベルシステム。技術。 j. 32、63–73 (1953)。
https:/ / doi.org/ 10.1002 / j.1538-7305.1953.tb01422.x
【64] M. アトキンソン、N. サントロ、J. ウルティア。 「明確な和と差を含む整数セットと、非線形リピータ用のキャリア周波数割り当て」。 IEEEトランス。共通。 34、614–617 (1986)。
https:/ / doi.org/ 10.1109/ TCOM.1986.1096587
【65] J・ロビンソンとA・バーンスタイン。 「エラー伝播が制限されたバイナリ反復コードのクラス」。 IEEEトランス。情報13、106–113 (1967)。
https:/ / doi.org/ 10.1109 / TIT.1967.1053951
【66] R.J.F.ファングとW.A.サンドリン。 「非線形中継器の搬送周波数割り当て」。 COMSAT テクニカル レビュー 7、227 ~ 245 (1977)。
によって引用
[1] Alexey Melnikov、Mohammad Kordzangamih、Alexander Alodjants、Ray-Kuang Lee、「量子機械学習: 物理学からソフトウェア エンジニアリングまで」、 物理学の進歩 X 8 1、2165452 (2023).
[2] モー・コルザンガネ、パベル・セカツキ、レオニード・フェディチキン、アレクセイ・メルニコフ、「指数関数的に成長するユニバーサル量子回路ファミリー」、 機械学習:科学と技術4 3、035036(2023).
[3] Stefano Mangini、「機械学習のための変分量子アルゴリズム: 理論と応用」、 arXiv:2306.09984, (2023).
[4] Ben Jaderberg、Antonio A. Gentile、Youssef Achari Berrada、Elvira Shishenina、および Vincent E. Elfving、「量子ニューラル ネットワークに独自の周波数を選択させよう」、 arXiv:2309.03279, (2023).
[5] Yuxuan Du、Yibo Yang、Dacheng Tao、および Min-Hsiu Hsieh、「マルチクラス分類における量子ニューラル ネットワークの問題依存のパワー」、 フィジカルレビューレター131 14、140601(2023).
[6] S. Shin、Y. S. Teo、および H. Jeong、「量子教師あり学習のための指数関数的データ符号化」、 フィジカルレビューA 107 1、012422(2023).
[7] Elies Gil-Fuster、Jens Aisert、Carlos Bravo-Prieto、「量子機械学習を理解するには、一般化を再考する必要もあります」、 arXiv:2306.13461, (2023).
[8] Jason Iaconis および Sonika Johri、「Tensor Network Based Efficient Quantum Data Loading of Images」、 arXiv:2310.05897, (2023).
[9] アリス・バルトとアドリアン・ペレス・サリナス、「量子再アップロードモデルの勾配と周波数プロファイル」、 arXiv:2311.10822, (2023).
[10] Tobias Haug および MS Kim、「ユニタリ学習のための量子幾何学による一般化」、 arXiv:2303.13462, (2023).
[11] Jonas Landman、Slimane Thabet、Constantin Dalyac、Hela Mhiri、および Elham Kashefi、「ランダム フーリエ特徴を使用した古典的変分量子機械学習の古典的近似」、 arXiv:2210.13200, (2022).
[12] Berta Casas および Alba Cervera-Lierta、「量子回路を備えた多次元フーリエ級数」、 フィジカルレビューA 107 6、062612(2023).
[13] Elies Gil-Fuster、Jens Aisert、Vedran Dunjko、「埋め込み量子カーネルの表現力について」、 arXiv:2309.14419, (2023).
[14] Lucas Slattery、Ruslan Shaydulin、Shovanik Chakrabarti、Marco Pistoia、Sami Khairy、Stefan M. Wild、「古典データ上の量子忠実度カーネルによる利点に対する数値的証拠」、 フィジカルレビューA 107 6、062417(2023).
[15] モー・コルザンガネ、ダリア・コシチキナ、アレクセイ・メルニコフ、「並列ハイブリッドネットワーク: 量子ニューラルネットワークと古典ニューラルネットワーク間の相互作用」、 arXiv:2303.03227, (2023).
[16] Aikaterini、Gratsea、および Patrick Huembeli、「量子モデルの表現力に対する処理および測定演算子の影響」、 arXiv:2211.03101, (2022).
[17] 奥村俊、大関正之、「パラメータ化された量子回路のフーリエ係数と不毛プラトー問題」、 arXiv:2309.06740, (2023).
[18] Massimiliano Incudini、Michele Grossi、Antonio Mandarino、Sofia Vallecorsa、Alessandra Di Pierro、David Windridge、「量子パス カーネル: 深層量子機械学習のための一般化された量子ニューラル タンジェント カーネル」、 arXiv:2212.11826, (2022).
[19] Jorja J. Kirk、Matthew D. Jackson、Daniel J. M. King、Philip Intallura、Mekena Metcalf、「イジング スピン モデルに関する古典的データ表現における緊急秩序」、 arXiv:2303.01461, (2023).
[20] Francesco Scala、Andrea Ceschini、Massimo Panella、Dario Gerace、「量子ニューラル ネットワークにおけるドロップアウトへの一般的なアプローチ」、 arXiv:2310.04120, (2023).
[21] Julian Berberich、Daniel Fink、Daniel Pranjić、Christian Tutschku、Christian Holm、「堅牢で一般化可能な量子モデルのトレーニング」、 arXiv:2311.11871, (2023).
上記の引用は SAO / NASA ADS (最後に正常に更新された2023-12-21 00:40:54)。 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2023-12-21 00:40:53)。
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-2023-12-20-1210/
- :持っている
- :は
- :not
- 1
- 10
- 11
- 116
- 12
- 120
- 121
- 125
- 13
- 14
- 視聴者の38%が
- 16
- 17
- 1791
- 19
- 20
- 2008
- 2015
- 2017
- 2018
- 2019
- 2020
- 2021
- 2022
- 2023
- 22
- 23
- 24
- 25
- 視聴者の38%が
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 視聴者の38%が
- 36
- 39
- 40
- 41
- 43
- 49
- 50
- 51
- 54
- 58
- 60
- 66
- 7
- 75
- 8
- 9
- 98
- a
- アッバス
- 能力
- 上記の.
- 抽象
- アクセス
- 従った
- 精度
- アダム
- 進歩
- 利点
- 敵対者
- 所属
- に対して
- アーメド
- アレックス
- アレクサンダー
- アルゴリズム
- ショット
- すべて
- また
- an
- 分析
- 分析的
- および
- アンドルー
- 毎年恒例の
- アプローチ
- です
- エリア
- AS
- 試み
- 著者
- 著者
- オートマチック
- 不毛
- ベース
- 基本
- BE
- き
- 行動
- 背後に
- ベル
- よく
- ベンジャミン
- バーンスタイン
- より良いです
- の間に
- 越えて
- 境界
- ブレーク
- ブライアン
- ブル
- by
- 機能
- 容量
- カルロス
- キャスパー
- チャンネル
- チャネル
- チェン
- 選択する
- チャウ
- クリスチャン
- class
- 分類
- コード
- 係数
- コメント
- コモンズ
- コンプリート
- 複雑な
- 複雑さ
- 計算
- コンピュータ
- コンピュータサイエンス
- コンピューティング
- 具体的な
- 講演
- 接続性
- コンテキスト
- コントロール
- 著作権
- クレイグ
- 曲線
- Daniel Mölk
- データ
- データマイニング
- デイブ
- デイビッド
- 12月
- 深いです
- 深い学習
- 依存
- 深さ
- 派生する
- 設計
- にもかかわらず
- 決定
- ディエゴ
- の違い
- 分化
- 話し合います
- 明確な
- do
- ありません
- e
- エドワード
- 効果
- 効率的な
- エレクトロニック
- 要素は
- 埋め込み
- 可能
- エンコーディング
- エネルギー
- エンジニアリング
- エリカ
- エラー
- エヴァン
- 証拠
- 例
- 展示
- 実験
- 説明する
- 指数関数
- 表現力豊かな
- 家族
- 恐怖
- 特徴
- 特徴
- 少数の
- 忠実
- 発見
- 財団
- フランシスコ
- 周波数
- から
- フロント
- function
- 生々しい
- 目標
- 勾配
- グループ
- Hardware
- ハーバード
- ハイ
- ホルダー
- 認定条件
- HTML
- HTTP
- HTTPS
- 黄
- ハイブリッド
- ハイブリッド量子クラシック
- i
- IEEE
- 画像
- 改善します
- in
- 不平等
- 情報
- 機関
- 機関
- 統合
- 興味深い
- 干渉
- 世界全体
- 概要
- Jackson (ジェームズ・ジャクソン)
- JavaScriptを
- ジェローム
- John Redfern
- ジョンソン
- ヨルダン
- ジャーナル
- ジョン
- カリム
- ケンドール
- キム
- 神様です。
- カーク
- 風景
- 大規模
- レーザー
- 姓
- LEARN
- 学習
- 最低
- コメントを残す
- リー
- う
- Li
- ライセンス
- 限定的
- LIN
- 連結
- リスト
- ローディング
- 局部的に
- ローガン
- 長い
- 損失
- 下側
- (株)
- 機械
- 機械学習
- マシン
- マルコ
- マリア
- マーティン
- math
- 数学的
- 問題
- マシュー
- 五月..
- マクリーン
- だけど
- 測定
- メカニズム
- メモリ
- メトカーフ
- メソッド
- マイヤー
- Michael Liebreich
- かもしれない
- ミハイル
- 最小化
- 鉱業
- モデル
- モダン
- 瞬間
- 月
- の試合に
- 自然
- 近く
- ネットワーク
- ネットワーク
- ニューラル
- ニューラルネットワーク
- ニューラルネットワーク
- いいえ
- 発生
- of
- 頻繁に
- オリバー
- on
- オンタリオ
- 開いた
- 業務執行統括
- 演算子
- or
- 注文
- オリジナル
- 私たちの
- 概要
- 自分の
- ページ
- 紙素材
- 並列シミュレーションの設定
- path
- パトリック
- Peter Bauman
- 現象
- 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
- ポイント
- 電力
- 練習
- 正確な
- 予測
- 準備
- 問題
- PROC
- Proceedings
- 処理
- プロセッサ
- 対応プロファイル
- 提供します
- 公表
- 出版社
- 出版社
- 量子
- 量子超越性
- 量子アルゴリズム
- 量子コンピューター
- 量子コンピューティング
- 量子情報
- 量子機械学習
- R
- ラジオ
- ランダム
- リファレンス
- ダイエット
- 関係
- 関係
- 残っている
- 顕著
- 必要
- 研究
- 尊重
- 制限されました
- 明らかに
- レビュー
- リチャード
- リスク
- ROBERT
- 堅牢な
- ルール
- Ryan Tan
- s
- SCI
- 科学
- 科学技術
- 選択
- 選択
- シリーズ
- セット
- 浅い
- シャルマ
- 表示する
- 信号
- YES
- 同様に
- 同時に
- ソフトウェア
- ソフトウェア工学
- 歌
- スペース
- スピン
- 正方形
- 立場
- 都道府県
- 統計的
- ステファン
- 強く
- 構造
- 研究
- 成功
- 首尾よく
- そのような
- 適当
- 合計
- 驚き
- シンポジウム
- システム
- テク
- 技術的
- テクノロジー
- 期間
- アプリ環境に合わせて
- 理論的な
- 理論
- それによって
- ボーマン
- この
- 介して
- 役職
- 〜へ
- トロント
- トレーニング
- 取引
- トレバー
- タイラー
- UN
- 下
- 理解する
- ユニバーサル
- 大学
- 更新しました
- URL
- 多様
- 非常に
- ヴィンセント
- ボリューム
- vs
- W
- 欲しいです
- ました
- we
- WELL
- while
- 広範囲
- ワイルド
- 無し
- 仕事
- 作品
- ライト
- X
- 年
- ゼファーネット