.png){kind=icon}
返回
Data-dependent generalization bounds for parameterized quantum models under noise
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-06966-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子机器学习提供了一种变革性的解决复杂问题的方法，但其固有的噪声阻碍了它在近期量子设备中的实际实现。这一障碍使得理解量子电路模型的泛化能力变得具有挑战性。在噪声条件下设计鲁棒的量子机器学习模型需要基于原理性的复杂性和泛化理解，这超越了经典的容量度量。本研究探讨了参数化量子机器学习模型在噪声影响下的泛化特性。我们提出了一种基于量子Fisher信息矩阵的数据相关泛化界。我们利用统计学习理论将参数空间体积和训练规模相关联，以估计训练模型的泛化能力。通过整合局部参数邻域和通过量子Fisher信息矩阵特征值定义的有效维度，我们为量子模型的复杂性提供了结构化表征。我们分析了该界线的紧致性，并讨论了模型表现力与泛化性能之间的权衡。
Keyword:
Quantum Machine Learning
Generalization Bound
Noise Channel
NISQ
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
Generalization of Quantum Machine Learning Models Using Quantum Fisher Information Metric利用量子费舍尔信息度量的量子机器学习模型泛化
OAAI
OAAI分享收藏A comprehensive review of quantum machine learning: from NISQ to fault tolerance量子机器学习综述: 从NISQ到容错OAAI
OAAI分享收藏分享收藏
查看更多内容