抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】