כתבה
arXiv cs.LG ·
Neural Fourier Surrogates ללמידת מודלים קלאסיים לקידוד QNNs
Neural Fourier Surrogates for Data Reuploading Quantum Neural Networks
מודל קלאסי ללמידת קואפיצנטים של QNNs. המאמר מציג פרוטוקול חדש ללמידת מודלים קלאסיים לקידוד QNNs. המודל, הנקרא Neural Fourier Surrogates, מבוסס על טכניקות של Neural Quantum States ו- Random Fourier Features. המאמר מדגים את המודל על סדרת נתונים טבלארית ומציג תוצאות השוואה למודלים קלאסיים ו-QNNs.
תקציר מקורי באנגליתarXiv:2610.00841v1 Announce Type: cross Abstract: For quantum machine learning, the exact boundary between classical and quantum advantage is still poorly understood. Direct comparison between quantum neural networks (QNNs) and existing classical models, which encompass fundamentally different function classes, often fails to provide broader insight into the difference between the two. Inspired by the techniques of Neural Quantum States and Random Fourier Features, this work introduces Neural Fourier Surrogates (NFS), a stochastic classical neural network architecture for efficiently learning coefficients over the same finite Fourier series support as quantum neural networks. Testing on a selection of tabular benchmark datasets, we find that NFS is an effective classifier architecture broa
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית