Evaluating quantum generative models via imbalanced data classification benchmarks

要約

抽象的または理論的設定の外で、量子機械学習モデルの動作が従来のモデルから逸脱しているかどうかを評価するためのツールのセットは限られています。
我々は、太陽フレア、不整脈、音声データなど、20の異なる現実世界のデータセットから適応させたハイブリッド量子古典ニューラルネットワークから生成された合成データを分析するための、説明可能な人工知能技術の系統的な応用を紹介する。
これらのデータ セットはそれぞれ、さまざまな程度の複雑さとクラスの不均衡を示します。
関連する分類タスクのクラスの不均衡を軽減するために、量子生成データを最先端の手法と比較してベンチマークします。
私たちはこのアプローチを利用して、量子と古典のハイブリッド生成モデルに多かれ少なかれ適用できる可能性を高める問題の性質を解明します。

要約(オリジナル)

A limited set of tools exist for assessing whether the behavior of quantum machine learning models diverges from conventional models, outside of abstract or theoretical settings. We present a systematic application of explainable artificial intelligence techniques to analyze synthetic data generated from a hybrid quantum-classical neural network adapted from twenty different real-world data sets, including solar flares, cardiac arrhythmia, and speech data. Each of these data sets exhibits varying degrees of complexity and class imbalance. We benchmark the quantum-generated data relative to state-of-the-art methods for mitigating class imbalance for associated classification tasks. We leverage this approach to elucidate the qualities of a problem that make it more or less likely to be amenable to a hybrid quantum-classical generative model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google