Core Concepts
量子確率論的機械学習において、データ学習によって得られる表現力と汎化能力は、負の対数尤度のスケーリング則に現れる二次補正項として解釈できる。
Abstract
テンソルネットワークによる量子確率論的機械学習における普遍的なスケーリング則:表現力と汎化能力の解釈に向けて
この論文は、機械学習、特に量子確率論的機械学習における表現力と汎化能力を解釈するための新しい視点を提供する研究論文である。
本研究は、量子確率論的機械学習モデル、特にテンソルネットワークを用いた生成モデルにおける、表現力と汎化能力を解釈するための普遍的なスケーリング則を明らかにすることを目的とする。
本研究では、行列積状態(MPS)の形をした生成テンソルネットワーク(GTN)を例として、教師あり学習における負の対数尤度(NLL)のスケーリング則を分析する。具体的には、Fashion-MNISTデータセットを用いて、訓練データとテストデータに対するNLLを、特徴数(M)、仮想次元(χ)、訓練サンプル数(N)などのパラメータを変えながら数値計算により評価する。