Buchumschlag

Opportunities and limitations of explaining quantum machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gil-Fuster, Elies, Naujoks, Jonas R., Montavon, Grégoire, Wiegand, Thomas, Samek, Wojciech, Eisert, Jens
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

Understanding quantum machine learning also requires rethinking generalization
von: Gil-Fuster, Elies, et al.
Veröffentlicht: (2023)

On the expressivity of embedding quantum kernels
von: Gil-Fuster, Elies, et al.
Veröffentlicht: (2023)

Prospects for quantum advantage in machine learning from the representability of functions
von: Masot-Llima, Sergi, et al.
Veröffentlicht: (2025)

Potential and limitations of random Fourier features for dequantizing quantum machine learning
von: Sweke, Ryan, et al.
Veröffentlicht: (2023)

Optimal algorithmic complexity of inference in quantum kernel methods
von: Gil-Fuster, Elies, et al.
Veröffentlicht: (2026)

Concept learning of parameterized quantum models from limited measurements
von: Gan, Beng Yee, et al.
Veröffentlicht: (2024)

On the relation between trainability and dequantization of variational quantum learning models
von: Gil-Fuster, Elies, et al.
Veröffentlicht: (2024)

A PAC-Bayesian approach to generalization for quantum models
von: Rodriguez-Grasa, Pablo, et al.
Veröffentlicht: (2026)

LieSolver: A PDE-constrained solver for IBVPs using Lie symmetries
von: Klausen, René P., et al.
Veröffentlicht: (2025)

PINNfluence: Influence Functions for Physics-Informed Neural Networks
von: Naujoks, Jonas R., et al.
Veröffentlicht: (2024)

Can machine learning for quantum-gas experiments be explainable?
von: Zwolak, I. B. Spielman amd J. P.
Veröffentlicht: (2026)

Online learning of quantum processes
von: Raza, Asad, et al.
Veröffentlicht: (2024)

Explaining Predictive Uncertainty by Exposing Second-Order Effects
von: Bley, Florian, et al.
Veröffentlicht: (2024)

Towards provably efficient quantum algorithms for large-scale machine-learning models
von: Liu, Junyu, et al.
Veröffentlicht: (2023)

Double descent in quantum kernel methods
von: Kempkes, Marie, et al.
Veröffentlicht: (2025)

Leveraging Influence Functions for Resampling Data in Physics-Informed Neural Networks
von: Naujoks, Jonas R., et al.
Veröffentlicht: (2025)

On the average-case complexity of learning output distributions of quantum circuits
von: Nietner, Alexander, et al.
Veröffentlicht: (2023)

Building Trust in PINNs: Error Estimation through Finite Difference Methods
von: Krasowski, Aleksander, et al.
Veröffentlicht: (2026)

The Clever Hans Effect in Unsupervised Learning
von: Kauffmann, Jacob, et al.
Veröffentlicht: (2024)

Single-shot quantum machine learning
von: Recio-Armengol, Erik, et al.
Veröffentlicht: (2024)

Stochastic noise can be helpful for variational quantum algorithms
von: Liu, Junyu, et al.
Veröffentlicht: (2022)

Reinforcement learning-based architecture search for quantum machine learning
von: Rapp, Frederic, et al.
Veröffentlicht: (2024)

Fourier series weight in quantum machine learning
von: Atchade-Adelomou, Parfait, et al.
Veröffentlicht: (2023)

Interactive proofs for verifying (quantum) learning and testing
von: Caro, Matthias C., et al.
Veröffentlicht: (2024)

Towards efficient quantum algorithms for diffusion probabilistic models
von: Wang, Yunfei, et al.
Veröffentlicht: (2025)

Shadows of quantum machine learning
von: Jerbi, Sofiene, et al.
Veröffentlicht: (2023)

Symmetry breaking in geometric quantum machine learning in the presence of noise
von: Tüysüz, Cenk, et al.
Veröffentlicht: (2024)

Benchmarking quantum machine learning kernel training for classification tasks
von: Alvarez-Estevez, Diego
Veröffentlicht: (2024)

Information plane and compression-gnostic feedback in quantum machine learning
von: Haboury, Nathan, et al.
Veröffentlicht: (2024)

Kernel-based dequantization of variational QML without Random Fourier Features
von: Sweke, Ryan, et al.
Veröffentlicht: (2025)

Variational decision diagrams for quantum-inspired machine learning applications
von: Vargas-Calderón, Vladimir, et al.
Veröffentlicht: (2025)

Superior resilience to poisoning and amenability to unlearning in quantum machine learning
von: Chen, Yu-Qin, et al.
Veröffentlicht: (2025)

A general learning scheme for classical and quantum Ising machines
von: Schmid, Ludwig, et al.
Veröffentlicht: (2023)

Spectral methods: crucial for machine learning, natural for quantum computers?
von: Belis, Vasilis, et al.
Veröffentlicht: (2026)

Dynamical simulation via quantum machine learning with provable generalization
von: Gibbs, Joe, et al.
Veröffentlicht: (2022)

Structured quantum learning via em algorithm for Boltzmann machines
von: Kimura, Takeshi, et al.
Veröffentlicht: (2025)

On the explainability of quantum neural networks based on variational quantum circuits
von: Daskin, Ammar
Veröffentlicht: (2023)

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

The role of data-induced randomness in quantum machine learning classification tasks
von: Casas, Berta, et al.
Veröffentlicht: (2024)

Dimension reduction with structure-aware quantum circuits for hybrid machine learning
von: Daskin, Ammar
Veröffentlicht: (2025)