Buchumschlag

Prospects of Privacy Advantage in Quantum Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Heredge, Jamie, Kumar, Niraj, Herman, Dylan, Chakrabarti, Shouvanik, Yalovetzky, Romina, Sureshbabu, Shree Hari, Li, Changhao, Pistoia, Marco
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Quantum Physics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Adjoint Is All You Need: Characterizing Barren Plateaus in Quantum Ansätze
von: Fontana, Enrico, et al.
Veröffentlicht: (2023)

QC-Forest: a Classical-Quantum Algorithm to Provably Speedup Retraining of Random Forest
von: Yalovetzky, Romina, et al.
Veröffentlicht: (2024)

Privacy-preserving quantum federated learning via gradient hiding
von: Li, Changhao, et al.
Veröffentlicht: (2023)

Des-q: a quantum algorithm to provably speedup retraining of decision trees
von: Kumar, Niraj, et al.
Veröffentlicht: (2023)

Parameter Setting in Quantum Approximate Optimization of Weighted Problems
von: Sureshbabu, Shree Hari, et al.
Veröffentlicht: (2023)

Quantum option pricing via the Karhunen-Loève expansion
von: Prakash, Anupam, et al.
Veröffentlicht: (2024)

A Unified Framework for Provably Efficient Algorithms to Estimate Shapley Values
von: Chen, Tyler, et al.
Veröffentlicht: (2025)

Solving Linear Systems on Quantum Hardware with Hybrid HHL++
von: Yalovetzky, Romina, et al.
Veröffentlicht: (2021)

Parameter Setting Heuristics Make the Quantum Approximate Optimization Algorithm Suitable for the Early Fault-Tolerant Era
von: He, Zichang, et al.
Veröffentlicht: (2024)

Quantum Deep Hedging
von: Cherrat, El Amine, et al.
Veröffentlicht: (2023)

Hardness of the Maximum Independent Set Problem on Unit-Disk Graphs and Prospects for Quantum Speedups
von: Andrist, Ruben S., et al.
Veröffentlicht: (2023)

Iterative Interpolation Schedules for Quantum Approximate Optimization Algorithm
von: Apte, Anuj, et al.
Veröffentlicht: (2025)

Alignment between Initial State and Mixer Improves QAOA Performance for Constrained Optimization
von: He, Zichang, et al.
Veröffentlicht: (2023)

A Numerical Gradient Inversion Attack in Variational Quantum Neural-Networks
von: Papadopoulos, Georgios, et al.
Veröffentlicht: (2025)

Blind quantum machine learning with quantum bipartite correlator
von: Li, Changhao, et al.
Veröffentlicht: (2023)

Fast Convex Optimization with Quantum Gradient Methods
von: Augustino, Brandon, et al.
Veröffentlicht: (2025)

Threshold for Fault-tolerant Quantum Advantage with the Quantum Approximate Optimization Algorithm
von: Omanakuttan, Sivaprasad, et al.
Veröffentlicht: (2025)

Provably faster randomized and quantum algorithms for $k$-means clustering via uniform sampling
von: Chen, Tyler, et al.
Veröffentlicht: (2025)

On Speedups for Convex Optimization via Quantum Dynamics
von: Chakrabarti, Shouvanik, et al.
Veröffentlicht: (2025)

Quantum Compilation Toolkit for Rydberg Atom Arrays with Implications for Problem Hardness and Quantum Speedups
von: Schuetz, Martin J. A., et al.
Veröffentlicht: (2024)

A simple analysis of a quantum-inspired algorithm for solving low-rank linear systems
von: Chen, Tyler, et al.
Veröffentlicht: (2025)

Mechanisms for Quantum Advantage in Global Optimization of Nonconvex Functions
von: Herman, Dylan, et al.
Veröffentlicht: (2025)

Limitations of Quantum Advantage in Unsupervised Machine Learning
von: Patel, Apoorva D.
Veröffentlicht: (2025)

Quantum Speedups for Derivative Pricing Beyond Black-Scholes
von: Herman, Dylan, et al.
Veröffentlicht: (2026)

Decomposition Pipeline for Large-Scale Portfolio Optimization with Applications to Near-Term Quantum Computing
von: Acharya, Atithi, et al.
Veröffentlicht: (2024)

qReduMIS: A Quantum-Informed Reduction Algorithm for the Maximum Independent Set Problem
von: Schuetz, Martin J. A., et al.
Veröffentlicht: (2025)

Non-Unitary Quantum Machine Learning
von: Heredge, Jamie, et al.
Veröffentlicht: (2024)

MetaTT: A Global Tensor-Train Adapter for Parameter-Efficient Fine-Tuning
von: Lopez-Piqueres, Javier, et al.
Veröffentlicht: (2025)

Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos with Practical Quantum Advantage
von: Wang, Maida, et al.
Veröffentlicht: (2025)

Anytime Training with Schedule-Free Spectral Optimization
von: Apte, Anuj, et al.
Veröffentlicht: (2026)

Evidence of Scaling Advantage for the Quantum Approximate Optimization Algorithm on a Classically Intractable Problem
von: Shaydulin, Ruslan, et al.
Veröffentlicht: (2023)

Provably Trainable Rotationally Equivariant Quantum Machine Learning
von: West, Maxwell T., et al.
Veröffentlicht: (2023)

Sparks of Quantum Advantage and Rapid Retraining in Machine Learning
von: Troy, William
Veröffentlicht: (2024)

Permutation Invariant Encodings for Quantum Machine Learning with Point Cloud Data
von: Heredge, Jamie, et al.
Veröffentlicht: (2023)

Generalized Short Path Algorithms: Towards Super-Quadratic Speedup over Markov Chain Search for Combinatorial Optimization
von: Chakrabarti, Shouvanik, et al.
Veröffentlicht: (2024)

Classical Verification of Quantum Learning Advantages with Noises
von: Ma, Yinghao, et al.
Veröffentlicht: (2024)

In Search of Quantum Advantage: Estimating the Number of Shots in Quantum Kernel Methods
von: Miroszewski, Artur, et al.
Veröffentlicht: (2024)

Quantum Privacy Aggregation of Teacher Ensembles (QPATE) for Privacy-preserving Quantum Machine Learning
von: Watkins, William, et al.
Veröffentlicht: (2024)

Exponential Quantum Communication Advantage in Distributed Inference and Learning
von: Gilboa, Dar, et al.
Veröffentlicht: (2023)

Quantum Advantage in Multi Agent Reinforcement Learning
von: Dahia, Simranjeet Singh, et al.
Veröffentlicht: (2026)