تعمیم با وجود بیش از حد برازش در مدل های یادگیری ماشین کوانتومی

بازنشر افلاطون

دنبال: 0

ایوان پیترز^1,2,3 و ماریا شولد⁴

¹گروه فیزیک، دانشگاه واترلو، واترلو، ON، N2L 3G1، کانادا
²موسسه محاسبات کوانتومی، واترلو، ON، N2L 3G1، کانادا
³موسسه محیطی برای فیزیک نظری، واترلو، انتاریو، N2L 2Y5، کانادا
⁴Xanadu، تورنتو، ON، M5G 2C8، کانادا

این مقاله را جالب می دانید یا می خواهید بحث کنید؟ SciRate را ذکر کنید یا در SciRate نظر بدهید.

چکیده

موفقیت گسترده شبکه‌های عصبی عمیق یک شگفتی را در یادگیری ماشین کلاسیک آشکار کرده است: مدل‌های بسیار پیچیده اغلب به خوبی تعمیم می‌یابند در حالی که به طور همزمان داده‌های آموزشی را بیش از حد برازش می‌دهند. این پدیده اضافه برازش خوش خیم برای انواع مدل های کلاسیک با هدف درک بهتر مکانیسم های پشت یادگیری عمیق مورد مطالعه قرار گرفته است. مشخص کردن این پدیده در زمینه یادگیری ماشین کوانتومی ممکن است به طور مشابه درک ما را از رابطه بین برازش بیش از حد، پارامترسازی بیش از حد و تعمیم بهبود بخشد. در این کار، ما توصیفی از بیش برازش خوش خیم در مدل‌های کوانتومی ارائه می‌کنیم. برای انجام این کار، ما رفتار یک مدل کلاسیک درون یابی فوریه را برای رگرسیون در سیگنال‌های نویز استخراج می‌کنیم و نشان می‌دهیم که چگونه یک کلاس از مدل‌های کوانتومی ویژگی‌های مشابهی را نشان می‌دهند، در نتیجه ساختار مدارهای کوانتومی (مانند عملیات رمزگذاری داده و آماده‌سازی حالت) را به هم مرتبط می‌کنند. ) بیش از حد پارامتر و برازش در مدل های کوانتومی. ما به طور شهودی این ویژگی‌ها را با توجه به توانایی مدل کوانتومی برای درون‌یابی داده‌های پر سر و صدا با رفتار محلی «مسیخ‌دار» توضیح می‌دهیم و نمونه‌ای ملموس از برازش خوش خیم ارائه می‌کنیم.

► داده های BibTeX

@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} }

◄ مراجع

[1] مایکل آ نیلسن. "شبکه های عصبی و یادگیری عمیق". پرس تعیین. (2015). آدرس اینترنتی: http://neuralnetworksanddeeplearning.com/.
http://neuralnetworksanddeeplearning.com/

[2] استوارت جمن، الی بیننستاک و رنه دورست. "شبکه های عصبی و معضل سوگیری/واریانس". محاسبات عصبی 4، 1-58 (1992).
https://doi.org/10.1162/neco.1992.4.1.1

[3] تروور هستی، رابرت تبشیرانی، جروم اچ فریدمن و جروم اچ فریدمن. عناصر یادگیری آماری: داده کاوی، استنتاج و پیش بینی جلد 2. Springer. (2009).
https://doi.org/10.1007/978-0-387-84858-7

[4] پیتر ال. بارتلت، آندره آ مونتاناری و الکساندر راخلین. یادگیری عمیق: دیدگاه آماری Acta Numerica 30, 87–201 (2021).
https://doi.org/10.1017/S0962492921000027

[5] میخائیل بلکین. "تناسب بدون ترس: پدیده های ریاضی قابل توجه یادگیری عمیق از طریق منشور درون یابی". Acta Numerica 30, 203–248 (2021).

[6] پیتر ال. بارتلت، فیلیپ ام. لانگ، گابور لوگوسی و الکساندر تسیگلر. "بیش برازش خوش خیم در رگرسیون خطی". Proc. Natl. آکادمی علمی 117, 30063–30070 (2020).
https://doi.org/10.1073/pnas.1907378117

[7] میخائیل بلکین، دانیل هسو، سیوان ما، و سومیک ماندال. "تطبیق تمرین مدرن یادگیری ماشینی و مبادله تعصب-واریانس کلاسیک". Proc. Natl. آکادمی علمی 116، 15849–15854 (2019).
https://doi.org/10.1073/pnas.1903070116

[8] میخائیل بلکین، الکساندر راخلین، و الکساندر بی. تسیباکوف. "آیا درون یابی داده ها با بهینگی آماری در تضاد است؟" در مجموعه مقالات تحقیقات یادگیری ماشین. جلد 89، صفحات 1611-1619. PMLR (2019). آدرس اینترنتی: https://proceedings.mlr.press/v89/belkin19a.html.
https://proceedings.mlr.press/v89/belkin19a.html

[9] ویدیا موتوکومار، کایلاس وودراهالی، ویگنش سوبرامانیان و آنانت ساهای. درون یابی بی ضرر داده های پر سر و صدا در رگرسیون. مجله IEEE در زمینه های انتخاب شده در نظریه اطلاعات 1، 67-83 (2020).
https://doi.org/10.1109/ISIT.2019.8849614

[10] ویدیا موتوکومار، آدییان نارنگ، ویگنش سوبرامانیان، میخائیل بلکین، دانیل هسو و آنانت ساهای. "طبقه بندی در مقابل رگرسیون در رژیم های بیش پارامتری: آیا تابع ضرر اهمیت دارد؟". جی. ماخ. فرا گرفتن. Res. 22، 1-69 (2021). آدرس اینترنتی: http://jmlr.org/papers/v22/20-603.html.
http://jmlr.org/papers/v22/20-603.html

[11] یهودا دار، ویدیا موتوکومار، و ریچارد جی. بارانیوک. «خداحافظی با مبادله تعصب و واریانس؟ مروری بر تئوری یادگیری ماشینی بیش از حد پارامتر شده» (2021). arXiv:2109.02355.
arXiv: 2109.02355

[12] مارچلو بندیتی، اریکا لوید، استفان ساک و ماتیا فیورنتینی. مدارهای کوانتومی پارامتری به عنوان مدل های یادگیری ماشینی علوم کوانتومی تکنولوژی 4, 043001 (2019).
https://doi.org/10.1088/2058-9565/ab4eb5

[13] K. Mitarai، M. Negoro، M. Kitagawa، و K. Fujii. "یادگیری مدار کوانتومی". فیزیک Rev. A 98, 032309 (2018).
https://doi.org/10.1103/physreva.98.032309

[14] ماریا شولد، ویل برگهولم، کریستین گوگولین، جاش ایزاک و ناتان کیلوران. "ارزیابی گرادیان های تحلیلی بر روی سخت افزار کوانتومی". فیزیک Rev. A 99, 032331 (2019).
https://doi.org/10.1103/physreva.99.032331

[15] ماریا شولد و ناتان کیلوران "یادگیری ماشین کوانتومی در فضاهای هیلبرت ویژگی". فیزیک کشیش لِت 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 و Jay M. Gambetta. "یادگیری تحت نظارت با فضاهای ویژگی های پیشرفته کوانتومی". Nature 567, 209–212 (2019).
https://doi.org/10.1038/s41586-019-0980-2

[17] ست لوید و کریستین ویدبروک "یادگیری متخاصم مولد کوانتومی". فیزیک کشیش لِت 121, 040502 (2018).
https://doi.org/10.1103/physrevlett.121.040502

[18] پیر-لوک دالر-دمرز و ناتان کیلوران. "شبکه های متخاصم مولد کوانتومی". فیزیک Rev. A 98, 012324 (2018).
https://doi.org/10.1103/physreva.98.012324

[19] امیرا عباس، دیوید ساتر، کریستا زوفال، اورلین لوچی، آلسیو فیگالی و استفان وورنر. "قدرت شبکه های عصبی کوانتومی". نات. محاسبه کنید. علمی 1, 403-409 (2021).
https://doi.org/10.1038/s43588-021-00084-1

[20] لوگان جی رایت و پیتر ال. مک ماهون. ظرفیت شبکه های عصبی کوانتومی در کنفرانس 2020 لیزر و الکترواپتیک (CLEO). صفحات 1-2. (2020). آدرس اینترنتی: https://ieeexplore.ieee.org/document/9193529.
https://ieeexplore.ieee.org/document/9193529

[21] سوکین سیم، پیتر دی. جانسون، و آلان آسپورو-گوزیک. «قابلیت بیان و درهم‌تنیدگی مدارهای کوانتومی پارامتری برای الگوریتم‌های کوانتومی-کلاسیک ترکیبی». Adv. فناوری کوانتومی 2, 1900070 (2019).
https://doi.org/10.1002/qute.201900070

[22] توماس هوبرگتسن، یوزف پیچلمایر، پاتریک استچر و کوئن برتلز. "ارزیابی مدارهای کوانتومی پارامتری شده: در مورد رابطه بین دقت طبقه بندی، قابلیت بیان و قابلیت درهم تنیدگی". کوانتوم ماخ هوشمند 3، 1 (2021).
https://doi.org/10.1007/s42484-021-00038-w

[23] Jarrod R McClean، Sergio Boixo، Vadim N Smelyanskiy، Ryan Babbush و Hartmut Neven. "فلات های بی حاصل در مناظر آموزشی شبکه عصبی کوانتومی". نات. اشتراک. 9, 4812 (2018).
https://doi.org/10.1038/s41467-018-07090-4

[24] مارکو سرزو، آکیرا سونه، تایلر ولکوف، لوکاس سینسیو و پاتریک جی کولز. "فلات های بی حاصل وابسته به تابع هزینه در مدارهای کوانتومی پارامتری کم عمق". نات. اشتراک. 12، 1791 (2021).
https://doi.org/10.1038/s41467-021-21728-w

[25] ماتیاس سی کارو، الیز گیل فوستر، یوهانس یاکوب مایر، ینس ایسرت و رایان سوکه. "کروان تعمیم وابسته به رمزگذاری برای مدارهای کوانتومی پارامتری شده". Quantum 5, 582 (2021).
https://doi.org/10.22331/q-2021-11-17-582

[26] هسین یوان هوانگ، مایکل بروتون، مسعود محسنی، رایان بابوش، سرجیو بویکسو، هارتموت نون و جارود آر مک‌کلین. "قدرت داده در یادگیری ماشین کوانتومی". نات. اشتراک. 12, 2631 (2021).
https://doi.org/10.1038/s41467-021-22539-9

[27] ماتیاس سی. کارو، هسین یوان هوانگ، ام. سرزو، کونال شارما، اندرو سورنبورگر، لوکاس سینسیو، و پاتریک جی. کولز. "تعمیم در یادگیری ماشین کوانتومی از چند داده آموزشی". نات. اشتراک. 13, 4919 (2022).
https://doi.org/10.1038/s41467-022-32550-3

[28] لئوناردو بانچی، جیسون پریرا و استفانو پیراندولا. "تعمیم در یادگیری ماشین کوانتومی: دیدگاه اطلاعات کوانتومی". PRX Quantum 2, 040321 (2021).
https://doi.org/10.1103/PRXQuantum.2.040321

[29] فرانسیسکو خاویر گیل ویدال و دیرک الیور تیس. افزونگی ورودی برای مدارهای کوانتومی پارامتر شده جلو. فیزیک 8, 297 (2020).
https://doi.org/10.3389/fphy.2020.00297

[30] ماریا شولد، رایان سوکه و یوهانس یاکوب مایر. "تأثیر رمزگذاری داده ها بر قدرت بیان مدل های کوانتومی-ماشین-یادگیری متغیر". فیزیک Rev. A 103, 032430 (2021).
https://doi.org/10.1103/physreva.103.032430

[31] دیوید ویریکس، جاش ایزاک، کودی وانگ و سدریک ین یو لین. "قوانین عمومی تغییر پارامتر برای گرادیان های کوانتومی". Quantum 6, 677 (2022).
https://doi.org/10.22331/q-2022-03-30-677

[32] کندال ای اتکینسون. "مقدمه ای بر تحلیل عددی". جان وایلی و پسران (2008).

[33] علی رحیمی و بنیامین رشت. "ویژگی های تصادفی برای ماشین های هسته در مقیاس بزرگ". در پیشرفت در سیستم های پردازش اطلاعات عصبی. جلد 20. (2007). آدرس اینترنتی: 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] والتر رودین. قضایای اساسی تحلیل فویر جان وایلی و پسران، آموزشی ویبولیتین (1990).
https://doi.org/10.1002/9781118165621.ch1

[35] آهنگ می و آندریا مونتاناری. "خطای تعمیم رگرسیون ویژگی های تصادفی: مجانبی دقیق و منحنی نزول دوگانه". اشتراک. Pure Appl. ریاضی. 75، 667-766 (2022).
https://doi.org/10.1002/cpa.22008

[36] تروور هستی، آندره آ مونتاناری، ساهارون روست و رایان جی تیبشیرانی. "غافلگیری در درونیابی حداقل مربعات بدون برجستگی با ابعاد بالا". ان آمار 50، 949 - 986 (2022).
https://doi.org/10.1214/21-AOS2133

[37] Tengyuan Liang، Alexander Rakhlin، و Xiyu Zhai. «درباره نزول چندگانه درون‌یابی‌های حداقل هنجار و ایزومتریک پایین‌تر محدود هسته‌ها». در مجموعه مقالات تحقیقات یادگیری ماشین. جلد 125، صفحات 1-29. PMLR (2020). آدرس اینترنتی: http://proceedings.mlr.press/v125/liang20a.html.
http://proceedings.mlr.press/v125/liang20a.html

[38] ادوارد فرهی و هارتموت نون. "طبقه بندی با شبکه های عصبی کوانتومی در پردازنده های کوتاه مدت" (2018). arXiv:1802.06002.
arXiv: 1802.06002

[39] ماریا شولد، الکس بوچاروف، کریستا ام. سوور، و ناتان ویبه. طبقه‌بندی‌کننده‌های کوانتومی مدار محور. فیزیک Rev. A 101, 032308 (2020).
https://doi.org/10.1103/physreva.101.032308

[40] آدریان پرز-سالیناس، آلبا سرورا-لیرتا، الیز گیل-فوستر، و خوزه آی. لاتوره. "بارگذاری مجدد داده ها برای طبقه بندی کننده کوانتومی جهانی". Quantum 4, 226 (2020).
https://doi.org/10.22331/q-2020-02-06-226

[41] سوفینه جربی، لوکاس جی فیدرر، هندریک پولسن ناتروپ، یوناس ام کوبلر، هانس جی بریگل و ودران دانکو. "یادگیری ماشین کوانتومی فراتر از روش های هسته". نات. اشتراک. 14, 517 (2023).
https://doi.org/10.1038/s41467-023-36159-y

[42] کاسپر گیوریک، دایون ورومینگن، ون، و ودران دانکو. "به حداقل رساندن ریسک ساختاری برای طبقه بندی کننده های خطی کوانتومی". Quantum 7, 893 (2023).
https://doi.org/10.22331/q-2023-01-13-893

[43] ماریا شولد. "مدل های یادگیری ماشین کوانتومی نظارت شده روش های هسته هستند" (2021). arXiv:2101.11020.
arXiv: 2101.11020

[44] S. Shin، Y. S. Teo، و H. Jeong. "رمزگذاری نمایی داده برای یادگیری تحت نظارت کوانتومی". فیزیک Rev. A 107, 012422 (2023).
https://doi.org/10.1103/PhysRevA.107.012422

[45] سوفی پیکارد "Sur les ensembles de distances des ensembles de points d'un espace euclidien." خاطرات دانشگاه نوشاتل. دبیرخانه دانشگاه (1939).

[46] دیو وکر، متیو بی. هستینگز، ناتان ویبه، برایان کی کلارک، چتان نایاک و ماتیاس ترویر. حل مدل های الکترونی قویاً همبسته در یک کامپیوتر کوانتومی. فیزیک Rev. A 92, 062318 (2015).
https://doi.org/10.1103/PhysRevA.92.062318

[47] ایان دی کیولیچان، جارود مک‌کلین، ناتان ویبی، کریگ گیدنی، آلان آسپورو-گوزیک، گارنت کین‌لیک چان و رایان بابوش. "شبیه سازی کوانتومی ساختار الکترونیکی با عمق خطی و اتصال". فیزیک کشیش لِت 120, 110501 (2018).
https://doi.org/10.1103/PhysRevLett.120.110501

[48] مارتین لاروکا، فردریک سوواژ، فارس ام. صباحی، گیوم وردون، پاتریک جی کولز و ام. سرزو. "یادگیری ماشین کوانتومی نامتغیر گروهی". PRX Quantum 3, 030341 (2022).
https://doi.org/10.1103/PRXQuantum.3.030341

[49] یوهانس یاکوب مایر، ماریان مولارسکی، الیس گیل فوستر، آنتونیو آنا مله، فرانچسکو ارزانی، آلیسا ویلمز و ینس ایسرت. "بهره برداری از تقارن در یادگیری ماشین کوانتومی متغیر". PRX Quantum 4, 010328 (2023).
https://doi.org/10.1103/PRXQuantum.4.010328

[50] مارتین لاروکا، ناتان جو، دیگو گارسیا مارتین، پاتریک جی کولز و مارکو سرزو. نظریه فراپارامتریزه شدن در شبکه های عصبی کوانتومی نات. محاسبه کنید. علمی 3، 542-551 (2023).
https://doi.org/10.1038/s43588-023-00467-6

[51] Yuxuan Du، Min-Hsiu Hsieh، Tongliang Liu و Dacheng Tao. قدرت بیان مدارهای کوانتومی پارامتریزه شده فیزیک Rev. Res. 2, 033125 (2020).
https://doi.org/10.1103/physrevresearch.2.033125

[52] زوئه هولمز، کونال شارما، ام. سرزو و پاتریک جی کولز. "ارتباط بیان پذیری آنساتز به بزرگی های گرادیان و فلات های بایر". PRX Quantum 3, 010313 (2022).
https://doi.org/10.1103/PRXQuantum.3.010313

[53] سامسون وانگ، انریکو فونتانا، مارکو سرزو، کونال شارما، آکیرا سونه، لوکاس سینسیو و پاتریک جی کولز. فلات های بایر ناشی از نویز در الگوریتم های کوانتومی متغیر نات. اشتراک. 12, 6961 (2021).
https://doi.org/10.1038/s41467-021-27045-6

[54] عبدالکادر کاناتار، ایوان پیترز، چنگیز پهلوان، استفان ام وایلد و روسلان شایدولین. "پهنای باند تعمیم در مدل های هسته کوانتومی را امکان پذیر می کند". معاملات در تحقیقات یادگیری ماشین (2023). آدرس اینترنتی: https://openreview.net/forum?id=A1N2qp4yAq.
https://openreview.net/forum?id=A1N2qp4yAq

[55] هسین یوان هوانگ، مایکل بروتون، جردن کاتلر، سیتان چن، جری لی، مسعود محسنی، هارتموت نون، رایان بابوش، ریچارد کوئنگ، جان پرسکیل و جارود آر. مک کلین. "مزیت کوانتومی در یادگیری از آزمایش". Science 376, 1182-1186 (2022).
https://doi.org/10.1126/science.abn7293

[56] سیتان چن، جردن کاتلر، هسین یوان هوانگ و جری لی. "جدایی های نمایی بین یادگیری با و بدون حافظه کوانتومی". در سال 2021 شصت و دومین سمپوزیوم سالانه IEEE در زمینه مبانی علوم کامپیوتر (FOCS). صفحات 62–574. (585).
https://doi.org/10.1109/FOCS52979.2021.00063

[57] هسین یوان هوانگ، ریچارد کوئنگ و جان پرسکیل. "محدوده های نظری اطلاعات در مورد مزیت کوانتومی در یادگیری ماشین". فیزیک کشیش لِت 126, 190505 (2021).
https://doi.org/10.1103/PhysRevLett.126.190505

[58] ویل برگهولم، جاش ایزاک، ماریا شولد، کریستین گوگولین، ام. صهیب علم، شهنواز احمد، خوان میگل آرازولا، کارستن بلنک، آلن دلگادو، سوران جهانگیری، کری مک کیرنان، یوهانس یاکوب مایر، زیو نیو، آنتال سزاوا و ناتان. "Pennylane: تمایز خودکار محاسبات کوانتومی-کلاسیک ترکیبی" (2018). arXiv:1811.04968.
arXiv: 1811.04968

[59] پیتر ال. بارتلت، فیلیپ ام. لانگ، گابور لوگوسی و الکساندر تسیگلر. "بیش برازش خوش خیم در رگرسیون خطی". Proc. Natl. آکادمی علمی 117, 30063–30070 (2020).
https://doi.org/10.1073/pnas.1907378117

[60] ولادیمیر کولچینسکی و کریم لونیچی. "نابرابری های غلظت و مرزهای گشتاور برای عملگرهای کوواریانس نمونه". برنولی 23، 110 - 133 (2017).
https://doi.org/10.3150/15-BEJ730

[61] زبیگنیو پوچالا و یاروسلاو آدام میزچاک. "ادغام نمادین با توجه به معیار هار در گروه واحد". گاو نر پول آکادمی علمی 65، 21-27 (2017).
https://doi.org/10.1515/bpasts-2017-0003

[62] دانیل ای رابرتز و بنی یوشیدا. "آشوب و پیچیدگی با طراحی". J. فیزیک انرژی بالا. 2017, 121 (2017).
https://doi.org/10.1007/jhep04(2017)121

[63] والاس سی. بابکاک. "تداخل بین مدولاسیون در سیستم های رادیویی فرکانس وقوع و کنترل با انتخاب کانال". بل سیست. فن آوری j 32، 63-73 (1953).
https://doi.org/10.1002/j.1538-7305.1953.tb01422.x

[64] M. Atkinson، N. Santoro و J. Urrutia. "مجموعه های عدد صحیح با مجموع و تفاوت های متمایز و تخصیص فرکانس حامل برای تکرار کننده های غیرخطی". IEEE Trans. اشتراک. 34, 614-617 (1986).
https://doi.org/10.1109/TCOM.1986.1096587

[65] جی رابینسون و آ. برنشتاین. "کلاسی از کدهای باینری بازگشتی با انتشار خطای محدود". IEEE Trans. Inf. 13, 106-113 (1967).
https://doi.org/10.1109/TIT.1967.1053951

[66] R. J. F. Fang و W. A. Sandrin. "تخصیص فرکانس حامل برای تکرار کننده های غیرخطی". بررسی فنی COMSAT 7، 227-245 (1977).

ذکر شده توسط

[1] الکسی ملنیکوف، محمد کردزنگنه، الکساندر آلودجانتس و ری-کوانگ لی، "یادگیری ماشین کوانتومی: از فیزیک تا مهندسی نرم افزار"، پیشرفت در Physics X 8 1, 2165452 (2023).

[2] مو کوردزنگنه، پاول سکاتسکی، لئونید فدیچکین و الکسی ملنیکوف، "خانواده ای از مدارهای کوانتومی جهانی که به طور نمایی در حال رشد هستند". یادگیری ماشینی: علم و فناوری 4 3، 035036 (2023).

[3] استفانو مانگینی، «الگوریتم‌های کوانتومی متغیر برای یادگیری ماشین: نظریه و کاربردها»، arXiv: 2306.09984, (2023).

[4] بن جادربرگ، آنتونیو آ. جنتیله، یوسف آچاری برادا، الویرا شیشنینا، و وینسنت ای. الفوینگ، "اجازه دهید شبکه های عصبی کوانتومی فرکانس های خود را انتخاب کنند"، arXiv: 2309.03279, (2023).

[5] Yuxuan Du، Yibo Yang، Dacheng Tao، و Min-Hsiu Hsieh، "قدرت وابسته به مشکل شبکه های عصبی کوانتومی در طبقه بندی چند طبقه"، نامه‌های بازبینی فیزیکی 131 14، 140601 (2023).

[6] S. Shin، Y. S. Teo، و H. Jeong، "رمزگذاری داده های نمایی برای یادگیری تحت نظارت کوانتومی"، بررسی فیزیکی A 107 1, 012422 (2023).

[7] Elies Gil-Fuster، Jens Eisert، و Carlos Bravo-Prieto، "درک یادگیری ماشین کوانتومی همچنین مستلزم بازنگری در تعمیم است". arXiv: 2306.13461, (2023).

[8] جیسون ایاکونیس و سونیک جوهری، «بارگذاری داده‌های کوانتومی کارآمد تصاویر مبتنی بر شبکه تانسور»، arXiv: 2310.05897, (2023).

[9] آلیس بارت و آدریان پرز-سالیناس، "شیب ها و پروفایل های فرکانس مدل های بارگذاری مجدد کوانتومی"، arXiv: 2311.10822, (2023).

[10] توبیاس هاگ و ام اس کیم، "تعمیم با هندسه کوانتومی برای یادگیری واحدها"، arXiv: 2303.13462, (2023).

[11] جوناس لندمن، اسلیمان ثابت، کنستانتین دالیاک، هلا میری و الهام کاشفی، "تقریبا کلاسیک یادگیری ماشین کوانتومی متغیر با ویژگی های فوریه تصادفی"، arXiv: 2210.13200, (2022).

[12] Berta Casas و Alba Cervera-Lierta، "سری فوریه چند بعدی با مدارهای کوانتومی"، بررسی فیزیکی A 107 6, 062612 (2023).

[13] Elies Gil-Fuster، Jens Eisert و Vedran Dunjko، "درباره بیانی بودن جاسازی هسته های کوانتومی"، arXiv: 2309.14419, (2023).

[14] لوکاس اسلاتری، روسلان شایدولین، شووانیک چاکرابارتی، مارکو پیستویا، سامی خیری، و استفان ام. وایلد، "شواهد عددی در برابر مزیت با هسته های وفاداری کوانتومی بر روی داده های کلاسیک". بررسی فیزیکی A 107 6, 062417 (2023).

[15] مو کوردزنگنه، داریا کوسیچکینا، و الکسی ملنیکوف، "شبکه های ترکیبی موازی: تعامل بین شبکه های عصبی کوانتومی و کلاسیک". arXiv: 2303.03227, (2023).

[16] آیکاترینی، گراتسی، و پاتریک هومبلی، "تأثیر عملگرهای پردازش و اندازه گیری بر قدرت بیان مدل های کوانتومی". arXiv: 2211.03101, (2022).

[17] اجتناب اوکومورا و ماسایوکی اوهزکی، "ضریب فوریه مدارهای کوانتومی پارامتری شده و مشکل فلات بی‌ثمر"، arXiv: 2309.06740, (2023).

[18] ماسیمیلیانو اینکودینی، میشل گروسی، آنتونیو ماندارینو، سوفیا والکورسا، الساندرا دی پیرو و دیوید ویدریج، "هسته مسیر کوانتومی: هسته مماس عصبی کوانتومی تعمیم یافته برای یادگیری ماشین کوانتومی عمیق"، arXiv: 2212.11826, (2022).

[19] Jorja J. Kirk، Matthew D. Jackson، Daniel J. M. King، Philip Intallura و Mekena Metcalf، «نظم اضطراری در بازنمایی داده‌های کلاسیک در مدل‌های اسپین ایزینگ»، arXiv: 2303.01461, (2023).

[20] فرانچسکو اسکالا، آندره آ سسکینی، ماسیمو پانلا و داریو گرااس، "رویکردی کلی برای انصراف در شبکه های عصبی کوانتومی". arXiv: 2310.04120, (2023).

[21] جولیان بربریچ، دانیل فینک، دانیل پرانجیچ، کریستین توتچکو، و کریستین هولم، "آموزش مدل های کوانتومی قوی و قابل تعمیم". arXiv: 2311.11871, (2023).

نقل قول های بالا از SAO/NASA Ads (آخرین به روز رسانی با موفقیت 2023-12-21 00:40:54). فهرست ممکن است ناقص باشد زیرا همه ناشران داده های استنادی مناسب و کاملی را ارائه نمی دهند.

On سرویس استناد شده توسط Crossref هیچ داده ای در مورد استناد به آثار یافت نشد (آخرین تلاش 2023-12-21 00:40:53).

این مقاله در Quantum تحت عنوان منتشر شده است Creative Commons Attribution 4.0 International (CC BY 4.0) مجوز. حق چاپ نزد دارندگان حق چاپ اصلی مانند نویسندگان یا مؤسسات آنها باقی می ماند.

محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
منبع: https://quantum-journal.org/papers/q-2023-12-20-1210/

تمبر زمان: دسامبر 20، 2023

تمبر زمان: مار 9، 2023

تعمیم با وجود بیش از حد برازش در مدل های یادگیری ماشین کوانتومی

بازنشر افلاطون

چکیده

► داده های BibTeX

◄ مراجع

ذکر شده توسط

بیشتر از مجله کوانتومی

آماده سازی حالات اسکار کوانتومی چند بدنه در کامپیوترهای کوانتومی

خواب تسلیم فصلی

LIMDD: نمودار تصمیم گیری برای شبیه سازی محاسبات کوانتومی شامل حالات تثبیت کننده

رمزگذاری مستقل از دستگاه کاملاً ایمن با حذف تأیید شده

پایه های متعارف کوانتومی شدید

معادلات اصلی ساده برای توصیف سیستم های رانده شده در معرض نویز کلاسیک غیر مارکوین

دماسنج غیرتعادلی بهینه در محیط های مارکوین

کانال های میرایی دامنه رزونانس چند سطحی

پیچیدگی و درهم تنیدگی در محاسبات غیر محلی و هولوگرافی

طراحی آنتن همسطح برای سیگنال های درهم تنیده مایکروویو که در هوای آزاد منتشر می شوند

گیت های فاز کنترل شده قوی برای پردازنده های کوانتومی اتمی مقیاس پذیر با استفاده از امواج ایستاده نوری

درباره‌ ما

جستجوی عمودی و هوش مصنوعی

سکو

همیشه در ارتباط ماندن

حساب