Generalisering på trods af overtilpasning i Quantum Machine Learning-modeller

Genudgivet af Platon

Abonnenter: 0

Evan Peters^1,2,3 og Maria Schuld⁴

¹Institut for Fysik, University of Waterloo, Waterloo, ON, N2L 3G1, Canada
²Institute for Quantum Computing, Waterloo, ON, N2L 3G1, Canada
³Perimeter Institute for Theoretical Physics, Waterloo, Ontario, N2L 2Y5, Canada
⁴Xanadu, Toronto, ON, M5G 2C8, Canada

Finder du denne artikel interessant eller vil du diskutere? Scite eller efterlade en kommentar på SciRate.

Abstrakt

Den udbredte succes med dybe neurale netværk har afsløret en overraskelse i klassisk maskinlæring: meget komplekse modeller generaliserer ofte godt, mens de samtidig overtilpasser træningsdata. Dette fænomen med godartet overtilpasning er blevet undersøgt for en række klassiske modeller med det formål bedre at forstå mekanismerne bag dyb læring. Karakterisering af fænomenet i sammenhæng med kvantemaskinelæring kan på samme måde forbedre vores forståelse af forholdet mellem overtilpasning, overparameterisering og generalisering. I dette arbejde giver vi en karakterisering af benign overfitting i kvantemodeller. For at gøre dette udleder vi adfærden af en klassisk interpolerende Fourier-funktionsmodeller for regression på støjende signaler og viser, hvordan en klasse af kvantemodeller udviser analoge egenskaber og derved forbinder strukturen af kvantekredsløb (såsom datakodning og tilstandsforberedelsesoperationer) ) til overparametrering og overtilpasning i kvantemodeller. Vi forklarer intuitivt disse funktioner i henhold til kvantemodellens evne til at interpolere støjende data med lokalt "spids" adfærd og giver et konkret demonstrationseksempel på godartet overtilpasning.

► BibTeX-data

@article{Peters2023generalization, doi = {10.22331/q-2023-12-20-1210}, url = {https://doi.org/10.22331/q-2023-12-20-1210}, title = {Generalization despite overfitting in quantum machine learning models}, author = {Peters, Evan and Schuld, Maria}, journal = {{Quantum}}, issn = {2521-327X}, publisher = {{Verein zur F{“{o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, volume = {7}, pages = {1210}, month = dec, year = {2023} }

► Referencer

[1] Michael A Nielsen. "Neurale netværk og dyb læring". Determination Press. (2015). url: http:///neuralnetworksanddeeplearning.com/.
http:///neuralnetworksanddeeplearning.com/

[2] Stuart Geman, Elie Bienenstock og René Doursat. "Neurale netværk og bias/varians-dilemmaet". Neural Comput. 4, 1-58 (1992).
https:///doi.org/10.1162/neco.1992.4.1.1

[3] Trevor Hastie, Robert Tibshirani, Jerome H Friedman og Jerome H Friedman. "Elementerne af statistisk læring: data mining, inferens og forudsigelse". Bind 2. Springer. (2009).
https://doi.org/10.1007/978-0-387-84858-7

[4] Peter L. Bartlett, Andrea Montanari og Alexander Rakhlin. "Dyb læring: et statistisk synspunkt". Acta Numerica 30, 87-201 (2021).
https:///doi.org/10.1017/S0962492921000027

[5] Mikhail Belkin. "Fit uden frygt: bemærkelsesværdige matematiske fænomener med dyb læring gennem interpolationens prisme". Acta Numerica 30, 203-248 (2021).

[6] Peter L. Bartlett, Philip M. Long, Gábor Lugosi og Alexander Tsigler. "Godartet overtilpasning i lineær regression". Proc. Natl. Acad. Sci. 117, 30063-30070 (2020).
https:///doi.org/10.1073/pnas.1907378117

[7] Mikhail Belkin, Daniel Hsu, Siyuan Ma og Soumik Mandal. "Forene moderne maskinlæringspraksis og den klassiske bias-variance trade-off". Proc. Natl. Acad. Sci. 116, 15849-15854 (2019).
https:///doi.org/10.1073/pnas.1903070116

[8] Mikhail Belkin, Alexander Rakhlin og Alexandre B. Tsybakov. "Modsiger datainterpolation statistisk optimalitet?". I Proceedings of Machine Learning Research. Bind 89, side 1611–1619. PMLR (2019). url: https:///proceedings.mlr.press/v89/belkin19a.html.
https:///proceedings.mlr.press/v89/belkin19a.html

[9] Vidya Muthukumar, Kailas Vodrahalli, Vignesh Subramanian og Anant Sahai. "Ufarlig interpolation af støjende data i regression". IEEE Journal on Selected Areas in Information Theory 1, 67–83 (2020).
https:///doi.org/10.1109/ISIT.2019.8849614

[10] Vidya Muthukumar, Adhyyan Narang, Vignesh Subramanian, Mikhail Belkin, Daniel Hsu og Anant Sahai. "Klassificering vs regression i overparameteriserede regimer: Betyder tabsfunktionen noget?". J. Mach. Lære. Res. 22, 1-69 (2021). url: http:///jmlr.org/papers/v22/20-603.html.
http:///jmlr.org/papers/v22/20-603.html

[11] Yehuda Dar, Vidya Muthukumar og Richard G. Baraniuk. "Et farvel til afvejningen mellem skævhed og varians? et overblik over teorien om overparameteriseret maskinlæring” (2021). arXiv:2109.02355.
arXiv: 2109.02355

[12] Marcello Benedetti, Erika Lloyd, Stefan Sack og Mattia Fiorentini. "Parameteriserede kvantekredsløb som maskinlæringsmodeller". Quantum Sci. Teknol. 4, 043001 (2019).
https://doi.org/10.1088/2058-9565/ab4eb5

[13] K. Mitarai, M. Negoro, M. Kitagawa og K. Fujii. "Kvantekredsløbslæring". Phys. Rev. A 98, 032309 (2018).
https:///doi.org/10.1103/physreva.98.032309

[14] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac og Nathan Killoran. "Evaluering af analytiske gradienter på kvantehardware". Phys. Rev. A 99, 032331 (2019).
https:///doi.org/10.1103/physreva.99.032331

[15] Maria Schuld og Nathan Killoran. "Kvantemaskinelæring i feature hilbert spaces". Phys. Rev. Lett. 122, 040504 (2019).
https:///doi.org/10.1103/physrevlett.122.040504

[16] Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow og Jay M. Gambetta. "Superviseret læring med kvanteforstærkede funktionsrum". Nature 567, 209-212 (2019).
https://doi.org/10.1038/s41586-019-0980-2

[17] Seth Lloyd og Christian Weedbrook. "Kvantegenerativ modstridende læring". Phys. Rev. Lett. 121, 040502 (2018).
https:///doi.org/10.1103/physrevlett.121.040502

[18] Pierre-Luc Dallaire-Demers og Nathan Killoran. "Kvantegenerative modstridende netværk". Phys. Rev. A 98, 012324 (2018).
https:///doi.org/10.1103/physreva.98.012324

[19] Amira Abbas, David Sutter, Christa Zoufal, Aurelien Lucchi, Alessio Figalli og Stefan Woerner. "Krften ved kvanteneurale netværk". Nat. Comput. Sci. 1, 403-409 (2021).
https://doi.org/10.1038/s43588-021-00084-1

[20] Logan G. Wright og Peter L. McMahon. "Kvantumneurale netværks kapacitet". I 2020 konference om lasere og elektrooptik (CLEO). Side 1-2. (2020). url: https:///ieeexplore.ieee.org/document/9193529.
https:///ieeexplore.ieee.org/document/9193529

[21] Sukin Sim, Peter D. Johnson og Alán Aspuru-Guzik. "Udtrykkbarhed og sammenfiltringsevne af parametriserede kvantekredsløb til hybride kvante-klassiske algoritmer". Adv. Quantum Technol. 2, 1900070 (2019).
https:///doi.org/10.1002/qute.201900070

[22] Thomas Hubregtsen, Josef Pichlmeier, Patrick Stecher og Koen Bertels. "Evaluering af parametriserede kvantekredsløb: om forholdet mellem klassifikationsnøjagtighed, udtrykbarhed og sammenfiltringsevne". Quantum Mach. Intell. 3, 1 (2021).
https:///doi.org/10.1007/s42484-021-00038-w

[23] Jarrod R McClean, Sergio Boixo, Vadim N Smelyanskiy, Ryan Babbush og Hartmut Neven. "Ufrugtbare plateauer i quantum neurale netværk træningslandskaber". Nat. Commun. 9, 4812 (2018).
https://doi.org/10.1038/s41467-018-07090-4

[24] Marco Cerezo, Akira Sone, Tyler Volkoff, Lukasz Cincio og Patrick J Coles. "Omkostningsfunktionsafhængige golde plateauer i lavvandede parametriserede kvantekredsløb". Nat. Commun. 12, 1791 (2021).
https:///doi.org/10.1038/s41467-021-21728-w

[25] Matthias C. Caro, Elies Gil-Fuster, Johannes Jakob Meyer, Jens Eisert og Ryan Sweke. "Kodningsafhængige generaliseringsgrænser for parametriserede kvantekredsløb". Quantum 5, 582 (2021).
https://doi.org/10.22331/q-2021-11-17-582

[26] Hsin-Yuan Huang, Michael Broughton, Masoud Mohseni, Ryan Babbush, Sergio Boixo, Hartmut Neven og Jarrod R McClean. "Kraften af data i kvantemaskinelæring". Nat. Commun. 12, 2631 (2021).
https://doi.org/10.1038/s41467-021-22539-9

[27] Matthias C. Caro, Hsin-Yuan Huang, M. Cerezo, Kunal Sharma, Andrew Sornborger, Lukasz Cincio og Patrick J. Coles. "Generalisering i kvantemaskinelæring fra få træningsdata". Nat. Commun. 13, 4919 (2022).
https://doi.org/10.1038/s41467-022-32550-3

[28] Leonardo Banchi, Jason Pereira og Stefano Pirandola. "Generalisering i kvantemaskinelæring: Et kvanteinformationsstandpunkt". PRX Quantum 2, 040321 (2021).
https:///doi.org/10.1103/PRXQuantum.2.040321

[29] Francisco Javier Gil Vidal og Dirk Oliver Theis. "Input redundans for parametriserede kvantekredsløb". Foran. Phys. 8, 297 (2020).
https:///doi.org/10.3389/fphy.2020.00297

[30] Maria Schuld, Ryan Sweke og Johannes Jakob Meyer. "Effekt af datakodning på den ekspressive kraft af variationsrige kvante-maskine-læringsmodeller". Phys. Rev. A 103, 032430 (2021).
https:///doi.org/10.1103/physreva.103.032430

[31] David Wierichs, Josh Izaac, Cody Wang og Cedric Yen-Yu Lin. "Generelle parameterforskydningsregler for kvantegradienter". Quantum 6, 677 (2022).
https://doi.org/10.22331/q-2022-03-30-677

[32] Kendall E Atkinson. "En introduktion til numerisk analyse". John Wiley & sønner. (2008).

[33] Ali Rahimi og Benjamin Recht. "Tilfældige funktioner til kernemaskiner i stor skala". Fremskridt inden for neurale informationsbehandlingssystemer. Bind 20. (2007). url: https:///papers.nips.cc/paper_files/paper/2007/hash/013a006f03dbc5392effeb8f18fda755-Abstract.html.
https://papers.nips.cc/paper_files/paper/2007/hash/013a006f03dbc5392effeb8f18fda755-Abstract.html

[34] Walter Rudin. "Fourieranalysens grundlæggende sætninger". John Wiley & Sons, Ltd. (1990).
https:///doi.org/10.1002/9781118165621.ch1

[35] Sangen Mei og Andrea Montanari. "Generaliseringsfejlen for tilfældige funktioner regression: Præcise asymptotik og den dobbelte nedstigningskurve". Commun. Ren appl. Matematik. 75, 667-766 (2022).
https:///doi.org/10.1002/cpa.22008

[36] Trevor Hastie, Andrea Montanari, Saharon Rosset og Ryan J. Tibshirani. "Overraskelser i højdimensionel ridgeless mindste kvadraters interpolation". Ann. Stat. 50, 949 – 986 (2022).
https://doi.org/10.1214/21-AOS2133

[37] Tengyuan Liang, Alexander Rakhlin og Xiyu Zhai. "På den multiple afstamning af minimum-norm interpolanter og begrænset lavere isometri af kerner". I Proceedings of Machine Learning Research. Bind 125, side 1–29. PMLR (2020). url: http:///proceedings.mlr.press/v125/liang20a.html.
http:///proceedings.mlr.press/v125/liang20a.html

[38] Edward Farhi og Hartmut Neven. "Klassificering med kvanteneurale netværk på kortsigtede processorer" (2018). arXiv:1802.06002.
arXiv: 1802.06002

[39] Maria Schuld, Alex Bocharov, Krysta M. Svore og Nathan Wiebe. "Kløbscentrerede kvanteklassifikatorer". Phys. Rev. A 101, 032308 (2020).
https:///doi.org/10.1103/physreva.101.032308

[40] Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster og José I. Latorre. "Data re-upload til en universel kvanteklassifikator". Quantum 4, 226 (2020).
https://doi.org/10.22331/q-2020-02-06-226

[41] Sofiene Jerbi, Lukas J Fiderer, Hendrik Poulsen Nautrup, Jonas M Kübler, Hans J Briegel og Vedran Dunjko. "Kvantemaskinelæring ud over kernemetoder". Nat. Commun. 14, 517 (2023).
https:///doi.org/10.1038/s41467-023-36159-y

[42] Casper Gyurik, Dyon Vreumingen, van, og Vedran Dunjko. "Strukturel risikominimering for kvantelineære klassifikatorer". Quantum 7, 893 (2023).
https://doi.org/10.22331/q-2023-01-13-893

[43] Maria Schuld. "Overvågede kvantemaskinelæringsmodeller er kernemetoder" (2021). arXiv:2101.11020.
arXiv: 2101.11020

[44] S. Shin, Y.S. Teo og H. Jeong. "Eksponentiel datakodning til kvanteovervåget læring". Phys. Rev. A 107, 012422 (2023).
https:///doi.org/10.1103/PhysRevA.107.012422

[45] Sophie Piccard. "Sur les ensembles de distances des ensembles de points d'un espace euclidien." Memoires de l'Universite de Neuchatel. Sekretariatet for universitetet. (1939).

[46] Dave Wecker, Matthew B. Hastings, Nathan Wiebe, Bryan K. Clark, Chetan Nayak og Matthias Troyer. "Løsning af stærkt korrelerede elektronmodeller på en kvantecomputer". Phys. 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 og Ryan Babbush. "Kvantesimulering af elektronisk struktur med lineær dybde og forbindelse". Phys. Rev. Lett. 120, 110501 (2018).
https:///doi.org/10.1103/PhysRevLett.120.110501

[48] Martín Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles og M. Cerezo. "Gruppe-invariant kvantemaskinelæring". PRX Quantum 3, 030341 (2022).
https:///doi.org/10.1103/PRXQuantum.3.030341

[49] Johannes Jakob Meyer, Marian Mularski, Elies Gil-Fuster, Antonio Anna Mele, Francesco Arzani, Alissa Wilms og Jens Eisert. "Udnyttelse af symmetri i variationel kvantemaskinelæring". PRX Quantum 4, 010328 (2023).
https:///doi.org/10.1103/PRXQuantum.4.010328

[50] Martin Larocca, Nathan Ju, Diego García-Martín, Patrick J Coles og Marco Cerezo. "Teori om overparametrisering i kvanteneurale netværk". Nat. Comput. Sci. 3, 542-551 (2023).
https://doi.org/10.1038/s43588-023-00467-6

[51] Yuxuan Du, Min-Hsiu Hsieh, Tongliang Liu og Dacheng Tao. "Ekspressionskraft af parametriserede kvantekredsløb". Phys. Rev. Res. 2, 033125 (2020).
https:///doi.org/10.1103/physrevresearch.2.033125

[52] Zoë Holmes, Kunal Sharma, M. Cerezo og Patrick J. Coles. "Forbindelse af ansatz-udtryksevne til gradientstørrelser og golde plateauer". PRX Quantum 3, 010313 (2022).
https:///doi.org/10.1103/PRXQuantum.3.010313

[53] Samson Wang, Enrico Fontana, Marco Cerezo, Kunal Sharma, Akira Sone, Lukasz Cincio og Patrick J Coles. "Støj-inducerede golde plateauer i variationskvantealgoritmer". Nat. Commun. 12, 6961 (2021).
https://doi.org/10.1038/s41467-021-27045-6

[54] Abdulkadir Canatar, Evan Peters, Cengiz Pehlevan, Stefan M. Wild og Ruslan Shaydulin. "Båndbredde muliggør generalisering i kvantekernemodeller". Transaktioner på Machine Learning Research (2023). url: https:///openreview.net/forum?id=A1N2qp4yAq.
https:///openreview.net/forum?id=A1N2qp4yAq

[55] Hsin-Yuan Huang, Michael Broughton, Jordan Cotler, Sitan Chen, Jerry Li, Masoud Mohseni, Hartmut Neven, Ryan Babbush, Richard Kueng, John Preskill og Jarrod R. McClean. "Kvantefordel ved at lære af eksperimenter". Science 376, 1182-1186 (2022).
https://doi.org/10.1126/science.abn7293

[56] Sitan Chen, Jordan Cotler, Hsin-Yuan Huang og Jerry Li. "Eksponentielle adskillelser mellem læring med og uden kvantehukommelse". I 2021 IEEE 62nd Annual Symposium on Foundations of Computer Science (FOCS). Side 574–585. (2022).
https:///doi.org/10.1109/FOCS52979.2021.00063

[57] Hsin-Yuan Huang, Richard Kueng og John Preskill. "Informationsteoretiske grænser for kvantefordele i maskinlæring". Phys. Rev. Lett. 126, 190505 (2021).
https:///doi.org/10.1103/PhysRevLett.126.190505

[58] Ville Bergholm, Josh Izaac, Maria Schuld, Christian Gogolin, M. Sohaib Alam, Shahnawaz Ahmed, Juan Miguel Arrazola, Carsten Blank, Alain Delgado, Soran Jahangiri, Keri McKiernan, Johannes Jakob Meyer, Zeyue Niu, Antal Száva og Nathan Killoran. "Pennylane: Automatisk differentiering af hybride kvante-klassiske beregninger" (2018). arXiv:1811.04968.
arXiv: 1811.04968

[59] Peter L. Bartlett, Philip M. Long, Gábor Lugosi og Alexander Tsigler. "Godartet overtilpasning i lineær regression". Proc. Natl. Acad. Sci. 117, 30063-30070 (2020).
https:///doi.org/10.1073/pnas.1907378117

[60] Vladimir Koltchinskii og Karim Lounici. "Koncentrationsuligheder og momentgrænser for stikprøvekovariansoperatorer". Bernoulli 23, 110 – 133 (2017).
https:///doi.org/10.3150/15-BEJ730

[61] Zbigniew Puchała og Jarosław Adam Miszczak. "Symbolisk integration med hensyn til haar-målet på enhedsgruppen". Tyr. Pol. Acad. Sci. 65, 21-27 (2017).
https:///doi.org/10.1515/bpasts-2017-0003

[62] Daniel A. Roberts og Beni Yoshida. "Kaos og kompleksitet ved design". J. High Energy Phys. 2017, 121 (2017).
https:///doi.org/10.1007/jhep04(2017)121

[63] Wallace C. Babcock. "Intermodulationsinterferens i radiosystemers forekomstfrekvens og kontrol ved kanalvalg". Bell Syst. tech. j. 32, 63-73 (1953).
https:///doi.org/10.1002/j.1538-7305.1953.tb01422.x

[64] M. Atkinson, N. Santoro og J. Urrutia. "Heltalssæt med distinkte summer og forskelle og bærefrekvenstildelinger for ikke-lineære repeatere". IEEE Trans. Commun. 34, 614-617 (1986).
https://doi.org/10.1109/TCOM.1986.1096587

[65] J. Robinson og A. Bernstein. "En klasse af binære tilbagevendende koder med begrænset fejludbredelse". IEEE Trans. Inf. 13, 106-113 (1967).
https:///doi.org/10.1109/TIT.1967.1053951

[66] R. J. F. Fang og W. A. Sandrin. "Bærefrekvenstildeling for ikke-lineære repeatere". COMSAT Technical Review 7, 227-245 (1977).

Citeret af

[1] Alexey Melnikov, Mohammad Kordzanganeh, Alexander Alodjants og Ray-Kuang Lee, "Quantum machine learning: from physics to software engineering", Advances in Physics X 8 1, 2165452 (2023).

[2] Mo Kordzanganeh, Pavel Sekatski, Leonid Fedichkin og Alexey Melnikov, "En eksponentielt voksende familie af universelle kvantekredsløb", Machine Learning: Science and Technology 4 3, 035036 (2023).

[3] Stefano Mangini, "Variationelle kvantealgoritmer til maskinlæring: teori og applikationer", arXiv: 2306.09984, (2023).

[4] Ben Jaderberg, Antonio A. Gentile, Youssef Achari Berrada, Elvira Shishenina og Vincent E. Elfving, "Lad Quantum Neural Networks Vælg deres egne frekvenser", arXiv: 2309.03279, (2023).

[5] Yuxuan Du, Yibo Yang, Dacheng Tao og Min-Hsiu Hsieh, "Problem-Dependent Power of Quantum Neural Networks on Multiclass Classification", Physical Review Letters 131 14, 140601 (2023).

[6] S. Shin, Y. S. Teo og H. Jeong, "Eksponentiel datakodning til kvanteovervåget læring", Fysisk anmeldelse A 107 1, 012422 (2023).

[7] Elies Gil-Fuster, Jens Eisert og Carlos Bravo-Prieto, "Forståelse af kvantemaskinelæring kræver også gentænkning af generalisering", arXiv: 2306.13461, (2023).

[8] Jason Iaconis og Sonika Johri, "Tensor Network Based Efficient Quantum Data Loading of Images", arXiv: 2310.05897, (2023).

[9] Alice Barthe og Adrián Pérez-Salinas, "Gradienter og frekvensprofiler af kvantegenopladningsmodeller", arXiv: 2311.10822, (2023).

[10] Tobias Haug og M. S. Kim, "Generalisering med kvantegeometri for læringsenheder", arXiv: 2303.13462, (2023).

[11] Jonas Landman, Slimane Thabet, Constantin Dalyac, Hela Mhiri og Elham Kashefi, "Classically Approximating Variational Quantum Machine Learning with Random Fourier Features", arXiv: 2210.13200, (2022).

[12] Berta Casas og Alba Cervera-Lierta, "Multidimensional Fourier-serie med kvantekredsløb", Fysisk anmeldelse A 107 6, 062612 (2023).

[13] Elies Gil-Fuster, Jens Eisert og Vedran Dunjko, "Om udtryksevnen ved at indlejre kvantekerner", arXiv: 2309.14419, (2023).

[14] Lucas Slattery, Ruslan Shaydulin, Shouvanik Chakrabarti, Marco Pistoia, Sami Khairy og Stefan M. Wild, "Numerisk bevis mod fordel med kvantetroskabskerner på klassiske data", Fysisk anmeldelse A 107 6, 062417 (2023).

[15] Mo Kordzanganeh, Daria Kosichkina og Alexey Melnikov, "Parallel Hybrid Networks: et samspil mellem kvante- og klassiske neurale netværk", arXiv: 2303.03227, (2023).

[16] Aikaterini, Gratsea og Patrick Huembeli, "Behandlings- og måleoperatorernes effekt på kvantemodellernes udtrykskraft", arXiv: 2211.03101, (2022).

[17] Shun Okumura og Masayuki Ohzeki, "Fourier-koefficient for parametriserede kvantekredsløb og golde plateauproblem", arXiv: 2309.06740, (2023).

[18] Massimiliano Incudini, Michele Grossi, Antonio Mandarino, Sofia Vallecorsa, Alessandra Di Pierro og David Windridge, "The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning", arXiv: 2212.11826, (2022).

[19] Jorja J. Kirk, Matthew D. Jackson, Daniel J. M. King, Philip Intallura og Mekena Metcalf, "Emergent Order in Classical Data Representations on Ising Spin Models", arXiv: 2303.01461, (2023).

[20] Francesco Scala, Andrea Ceschini, Massimo Panella og Dario Gerace, "A General Approach to Dropout in Quantum Neural Networks", arXiv: 2310.04120, (2023).

[21] Julian Berberich, Daniel Fink, Daniel Pranjić, Christian Tutschku og Christian Holm, "Uddannelse af robuste og generaliserbare kvantemodeller", arXiv: 2311.11871, (2023).

Ovenstående citater er fra SAO/NASA ADS (sidst opdateret 2023-12-21 00:40:54). Listen kan være ufuldstændig, da ikke alle udgivere leverer passende og fuldstændige citatdata.

On Crossrefs citeret af tjeneste ingen data om at citere værker blev fundet (sidste forsøg 2023-12-21 00:40:53).

Dette papir er udgivet i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Ophavsretten forbliver hos de originale copyright-indehavere, såsom forfatterne eller deres institutioner.

SEO Powered Content & PR Distribution. Bliv forstærket i dag.
PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
Kilde: https://quantum-journal.org/papers/q-2023-12-20-1210/

Tidsstempel: 20. December, 2023

Tidsstempel: Oktober 13, 2022

Generalisering trods overtilpasning i kvantemaskinelæringsmodeller

Genudgivet af Platon

Abstrakt

► BibTeX-data

► Referencer

Citeret af

Mere fra Quantum Journal

Grafisk initialisering af neuralt netværk af omtrentlig kvanteoptimering

Klassisk udskiftelige operationer

Mitiq: En softwarepakke til fejlreduktion på støjende kvantecomputere

Det syntetiske Hilbert-rum af laserdrevne frie elektroner

Hurtig stabilisatorsimulering med kvadratiske formudvidelser

Variationel kvantesimulering af valensbindingsfaste stoffer

Politisk gradienttilgang til kompilering af variationskvantekredsløb

Præcis og effektiv Lanczos-metode på en kvantecomputer

Hvordan man designer kvantespringbaner via forskellige hovedligningsrepræsentationer

Om os

Vertikal søgning & Ai

perron

Stay Connected

Konto