.png){kind=icon}
返回
Detecting underdetermination in parameterized quantum circuits
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae304e.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习中的一个核心问题是训练好的模型的预测有多可靠。可靠性包括基于对学习系统本身的分柝，识别出模型可能不被信任的实例。对于某个输入，这种不可靠性可能源于模型族提供了与训练数据一致的多种假设，这些假设在该特定输入点上的预测可能存在巨大分歧。这被称为未定问题，开发检测该问题的方法至关重要。随着量子机器学习（QML）作为一种有望替代某些学习问题中经典方法的备选方案的出现，问题随之而来：它们在多大程度上会受到未定问题的影响，以及是否可以采用与经典模型开发类似的技术来检测它。在本工作中，我们首先概述了来自安全人工智能（Safe AI）和可靠性的概念，这些概念在QML中尤其受到的关注较少。然后，我们通过数值实验探索了基于局部二阶信息的方法，用于检测参数化量子电路中的未定问题。我们进一步证明该方法对一定水平的计数噪声具有鲁棒性。我们的工作为安全量子人工智能（Safe Quantum AI）这一新兴且日益重要的领域的研究文献做出了贡献。
期刊
M
IF:
0
论文数:
116
被引数:
0
机构
引用论文
.png){kind=icon}
Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning量子共形预测在量子机器学习中的可靠不确定性量化OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容