Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning

要約

タイトル： 量子機械学習における信頼性のある不確実性評価のための量子コンフォーマル予測

要約：
– 量子機械学習は、騒々しい中間規模量子（NISQ）コンピュータの最適化のための有望なプログラミングパラダイムである。
– 量子機械学習における基本的な課題は汎化であり、設計者は限られた訓練データしか持っていない中で、テスト条件下でのパフォーマンスを目指します。
– 既存の汎化解析は、重要な一般的な傾向やスケーリング則を特定する一方で、量子モデルによって行われる決定に信頼性のある情報的な「エラーバー」を割り当てることはできません。
– この論文では、量子モデルの不確実性を信頼性を持って量子機械学習の汎化解析が不可能である量子モデルに適用できる一般的な方法論を提案しています。
– 提案されたアプローチは、確率的コンフォーマル予測に基づいており、訓練データの量、撮影の回数、アンザッツ、トレーニングアルゴリズム、および量子ハードウェアノイズの存在に関係なく、可能な限り任意のカバレッジレベルで正確に真のターゲットを含む予測のセット、例えば、区間に変換します。
– 実験結果は、提案されたフレームワークである量子コンフォーマル予測の理論的なキャリブレーション保証を確認しています。

要約(オリジナル)

Quantum machine learning is a promising programming paradigm for the optimization of quantum algorithms in the current era of noisy intermediate scale quantum (NISQ) computers. A fundamental challenge in quantum machine learning is generalization, as the designer targets performance under testing conditions, while having access only to limited training data. Existing generalization analyses, while identifying important general trends and scaling laws, cannot be used to assign reliable and informative ‘error bars’ to the decisions made by quantum models. In this article, we propose a general methodology that can reliably quantify the uncertainty of quantum models, irrespective of the amount of training data, of the number of shots, of the ansatz, of the training algorithm, and of the presence of quantum hardware noise. The approach, which builds on probabilistic conformal prediction, turns an arbitrary, possibly small, number of shots from a pre-trained quantum model into a set prediction, e.g., an interval, that provably contains the true target with any desired coverage level. Experimental results confirm the theoretical calibration guarantees of the proposed framework, referred to as quantum conformal prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI