PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2608.24631v2quant-ph

유사도가 상호작용에 의해 결정될 때: 체제 민감 학습을 위한 양자 커널

When Similarity Is Interaction-Driven: Quantum Kernels for Regime-Sensitive Learning

많은 의사결정 시스템에서 유사도는 거리만으로 결정되는 것이 아니라 변수들 간의 상호작용에 의해 좌우된다. 사기 탐지 및 이상 탐지(anomaly detection)에서는, 국소적인 작은 교란(perturbation)이 주변 거리는 거의 변화시키지 않으면서도 상호작용에 민감한 결정 경계(decision boundary)를 넘어설 수 있다. 이러한 상황에 착안하여, 우리는 박층(thin-slab) 상호작용 모델과, 얽힌(entangled) 파울리 문자열(Pauli-string) 특징 맵으로 구성된 상호작용 기반 양자 커널(quantum kernel)을 제안한다. 이 특징 맵은 희소한 고차 블록 상호작용(sparse high-order block interactions)을 명시적으로 인코딩한다. 우리는 그 결과로 얻어지는 충실도 커널(fidelity kernel)이 양의 준정부호(positive semidefinite)이며, 정확한 블록 분해(block-factorized) 형태로 표현 가능하고, 상호작용 체제(interaction regime)의 변화에 민감한 기하 구조를 유도함을 보인다. 3차, 4차, 6차, 8차 상호작용을 포괄하는 균형 및 불균형 합성 실험 전반에서, 제안된 커널은 선형 커널, 방사 기저 함수(RBF) 커널, 라플라시안(Laplacian) 커널, 다항(polynomial) 커널은 물론, 심어진(planted) 블록 곱을 제공받은 조작된 상호작용 선형 기준선(baseline)보다도 일관되게 더 우수한 성능을 보인다. 실제 사기 탐지 벤치마크에서는, Credit Card Fraud Detection 데이터셋에서 가장 높은 평균 정확도와 F1 점수를 달성하며, IEEE-CIS Fraud Detection에서는 2위를 기록한다. 156큐비트(qubit) IBM Quantum 프로세서에서 4차 설정으로 실행한 결과, 하드웨어로 추정한 커널은 시드 간 변동성(seed-to-seed variability) 범위 내에서 노이즈 없는 시뮬레이터와 일치하며, 기준선들에 대한 우위를 그대로 유지한다. 이러한 결과는 양자 커널의 성능이 힐베르트 공간(Hilbert space)의 차원만이 아니라, 특징 맵의 기하 구조와 기저의 예측 구조 사이의 정합(alignment) 여부에 좌우됨을 보여준다. 제안된 블록 분해 커널은 고전 컴퓨터에서도 정확하게 계산될 수 있으므로, 본 연구의 결과는 계산적인 양자 가속(quantum speedup)이 아니라 예측적 및 표현적 가치를 입증하는 것이다.

arXiv:2606.28833v3cs.LG

Active Quantum Kernel Acquisition for Gaussian Process Regression

가우시안 프로세스(GP) 회귀를 위한 능동적 양자 커널 획득(AQKA-GP)을 제안하며, 한정된 샷 예산 내에서 예측 결합 $|\alpha_i\alpha_j|$, leave-one-out 잔차, 주변 가능도 그래디언트라는 세 가지 폐쇄형 쌍 수준 민감도를 Neyman 최소 분산 할당 규칙에 적용해 커널 그람 행렬의 샷을 비균일하게 분배한다. UCI 벤치마크 및 합성 실험에서 균일 할당 대비 테스트 RMSE를 10–21% 개선하고, 실제 ZZ 및 Pauli-Z 양자 커널에서도 저예산 구간에 13–15%의 성능 향상을 확인했다.

arXiv:2412.10860v2quant-ph

양자 서포트 벡터 머신을 이용한 금융 데이터 분류

Classification of Financial Data Using Quantum Support Vector Machine

양자 서포트 벡터 머신(QSVM)의 금융 데이터 적용 가능성을 탐구하기 위해 자체 수집한 다카 증권거래소(DSEx) 브로드 인덱스 데이터셋에 여러 양자 커널을 벤치마크하였으며, 경험적 양자 우위(EQA) 프레임워크 하에서 대부분의 설정에서 양자 커널이 고전적인 RBF 커널 SVM을 능가하는 성능을 보였다.

arXiv:2607.01080v1cs.LG

Balancing Expressivity and Learnability in Quantum Kernel Bandit Optimization

양자 커널(quantum kernel)을 이용한 가우시안 프로세스(GP) 밴딧 최적화에서 고차원 양자 커널이 정보 이득을 높여 누적 후회(regret)를 증가시키는 학습 어려움을 해결하기 위해, 선형 투영 양자 커널(LPQK)과 랜덤 푸리에 피처(RFF) 기반 고전적 커널 근사 기법을 제안한다. 이를 통해 근사 오차와 정보 이득 간의 트레이드오프를 분석한 후회 경계를 도출하고, NISQ 시대의 양자 제어·변분 양자 알고리즘 등 실제 태스크에서 전체 양자 커널 대비 샘플 효율성과 계산 비용 모두 개선됨을 실험적으로 검증한다.

arXiv:2606.20183v1cs.LG

유효 차원이 양자 커널 비전 모델의 일반화를 지배한다

Effective Dimension Governs Generalization in Quantum Kernel Vision Models

최근 양자 비전 모델인 양자 비전 트랜스포머와 양자 컨볼루션 네트워크는 두 가지 놀랍지만 설명되지 않은 경험적 현상을 보고합니다: (i) 더 많거나 더 균일하게 분포된 얽힘을 가진 안사츠(ansatze)는 더 잘 일반화되며, (ii) 양자 잡음을 주입하는 것이 테스트 정확도를 저하시키는 대신 향상시킬 수 있습니다. 이러한 관찰 결과들은 현재 그리드 서치(grid search)를 통해 발견되고, 설명된다 하더라도 수동으로 설명되는 기이한 현상으로 취급됩니다. 우리는 두 현상 모두 단일한 측정 가능한 양, 즉 (잡음이 형성된) 양자 특징 커널의 \emph{유효 차원}(effective dimension) $d_{\rm eff}$의 발현임을 보여줍니다. 주로 양자 커널 비전 모델(커널 분류기가 읽어들이는 양자 특징 맵)을 사용하여, 얽힘 구조와 양자 잡음이 $d_{\rm eff}$를 이동시키는 두 가지 조절 장치가 되는 스펙트럼적 해석을 제시합니다. 과적합(overfitting) 영역에서 $d_{\rm eff}$를 축소하는 것은 능선형(ridge-like) 정규화(regularization)처럼 작용합니다. 우리는 메커니즘을 분석합니다: $d_{\rm eff}(K_p)\to1$을 만족하는 비편광 커널(depolarized kernel) $K_p=(1-p)^2K+\tfrac{p(2-p)}{D}\mathbf{1}\mathbf{1}^\top$의 \emph{정확한} 분해, 진폭 감쇠(amplitude damping)에 대한 축소 결과(및 그 경계), 커널 머신 용량 상한, 그리고 용량/정렬(alignment) 위험 분해가 포함됩니다. 우리의 얽힘 실험에서 작동하는 단조 감소는 경험적으로 검증되었으며, 일반적으로 증명되지는 않았습니다. 단일 매개변수 비편광 계열에서 축소는 대신 구조적으로 정확합니다. 우리는 이를 $d_{\rm eff}$에 대한 증거가 아닌, 기계 정밀도(precision)와 최대 $12$ 큐비트까지 커널 분해를 확인하는 용도로만 사용합니다. 진폭 감쇠는 $d_{\rm eff}$를 축소하고 역 U자형 스윗 스팟(sweet spot)을 따라 테스트 정확도를 최대 $+13\%$까지 향상시킵니다. 이 효과의 부호는 과적합 및 과소적합(under-fitting) 영역 사이에서 바뀝니다. 잡음 주입은 명시적인 스펙트럼 필터링 경계와 일치합니다. 우리의 결과는 보고된 두 가지 일화를 양자 비전 모델 설계를 위한 단일한 측정 가능한 원칙으로 정리합니다.