量子情報科学におけるデータ中心機械学習【JST・京大機械翻訳】

Lohani Sanjaya; Lukens Joseph M.; Glasser Ryan T.; Searles Thomas A.; Kirby Brian T.

プレプリント

J-GLOBAL ID：202202205142775366 整理番号：22P0278294

量子情報科学におけるデータ中心機械学習【JST・京大機械翻訳】

Data-Centric Machine Learning in Quantum Information Science

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月22日プレプリントサーバーでの情報更新日： 2022年01月22日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

量子情報科学における問題に適用した場合,機械学習システムの性能を改善するための一連のデータ中心発見的手法を提案した。特に,訓練集合の系統的エンジニアリングが,基本アーキテクチャを変えることなく,量子状態再構成に用いる事前訓練ニューラルネットワークの精度を著しく高める方法を考察した。目標シナリオの期待した分布に正確にマッチする訓練セットをエンジニアするのは必ずしも最適ではなく,代わりに,訓練セットをターゲットよりもわずかに混合するために,性能をさらに改良できることを見出した。これは,異なる純度の状態を記述するのに必要な自由変数数の不均一性に起因し,結果として,固定サイズの訓練セットが最小制約自由変数を持つ状態に集中するとき,ネットワークの全体的精度は改善される。更なる明瞭度のために,著者らはまた,偽相関が訓練のために使用する合成データセットを不注意に入力する方法の「toyモデル」実証を含み,これらの相関で訓練されたシステムの性能が劇的に劣化し,また,比較的少数の対例が,そのような問題を効果的に修復できる方法の方法も含めたものであることを示した。また,これらの相関で訓練されたシステムの性能が,どのように劇的に劣化するか,また,比較的少数の反例が,そのような問題を効果的に修復できる方法も含めている,という事も含めている。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , ニューロコンピュータ

前のページに戻る