[論文レビュー] Learning to Utilize Correlated Auxiliary Classical or Quantum Noise.

Aida Ahmadzadegan, Petar Simidzija+2 more|arXiv (Cornell University)|Jun 8, 2020

Quantum Computing Algorithms and Architecture参考文献 25被引用数 8

ひとこと要約

この論文は、ニューラルネットワークが入力ノイズと補助的ノイズの相関を活用することで、ノイズのある画像分類タスクにおける性能を回復させられることを示している。量子マシンは、優れた表現効率のおかげで、複雑なノイズ相関を処理する際、古典的システムを上回る可能性がある。

ABSTRACT

This paper has two messages. First, we demonstrate that neural networks can learn to exploit correlations between noisy data and suitable auxiliary noise. In effect, the network learns to use the correlated auxiliary noise as an approximate key to decipher its noisy input data. Second, we show that the scaling behavior with increasing noise is such that future quantum machines should possess an advantage. For a concrete example, we reduce the image classification performance of convolutional neural networks (CNNs) by adding noise of different amounts and quality to the input images. We then demonstrate that the CNNs are able to partly recover their performance if, along with each noisy image, they are given auxiliary noise that is correlated with the image noise. We analyze the scaling of a CNN ability to learn and utilize these noise correlations as the level, dimensionality, or complexity of the noise is increased. We thereby find numerical and theoretical indications that quantum machines, due to their efficiency in representing complex correlations, could possess a significant advantage over classical machines.

研究の動機と目的

• ニューラルネットワークが、入力データのノイズから回復するための鍵として、相関のある補助的ノイズを効果的に学習できるかどうかを調査すること。
• ノイズのレベル、次元数、複雑さが、ニューラルネットワークがノイズ相関を学習・利用する能力に与える影響を分析すること。
• 複雑なノイズ相関を表現・処理する際、量子的優位性が存在する可能性を探索すること。

提案手法

• 畳み込みニューラルネットワーク（CNN）の入力画像に、さまざまなレベルと質のノイズを制御的に追加して性能を低下させる。
• 各ノイズが加わった画像に、入力画像のノイズと相関する補助的ノイズ信号を提供する。
• CNNが、ノイズが加わった画像と補助的ノイズの両方を用いて分類精度を向上させることを学習させる。
• ノイズのレベル、次元数、複雑さを体系的に変化させ、スケーリング特性を調査する。
• ノイズ特性に応じたネットワークの回復性能を関数として分析する。
• 理論的および数値的証拠を用いて、複雑な相関を効率的に表現できる量子マシンの優位性を示唆する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、汚損された入力からの回復に、相関のある補助的ノイズを効果的に学習できるか？
• RQ2 ノイズのレベル、次元数、複雑さが増加するにつれて、性能回復はどのようにスケーリングするか？
• RQ3 ノイズ相関の質と、ネットワークがノイズから回復する能力との関係は何か？
• RQ4 相関のある補助的ノイズが存在することで、ノイズ下での画像分類で顕著な性能向上が達成されるか？
• RQ5 このような相関ノイズを処理する際、量子マシンが古典的システムを根本的に上回る優位性を示せるか？

主な発見

• CNNは、汚損した入力と相関のある補助的ノイズが与えられると、元の性能の顕著な部分を回復できる。
• 性能回復は、補助的ノイズの品質と相関強度に強く依存し、有利にスケーリングする。
• ノイズの複雑さが増すと、古典的ネットワークは回復の収穫が次第に小さくなり、表現能力に限界があることが示唆される。
• 数値的および理論的分析から、量子マシンが複雑なノイズ相関を効率的に表現でき、優れたスケーリング性能を示す可能性がある。
• 高次元のノイズにおける相関の活用を要するタスクにおいて、量子的優位性の可能性が示唆される。