新方法优化高斯过程回归的量子核估计

研究人员开发了一种新颖的方法，用于优化高斯过程回归的量子核估计中的采样分配。该方法旨在通过根据核条目对下游任务的敏感性来智能地分配采样工作，从而减少实现目标精度所需的计算预算。所提出的方法包含一个统一覆盖底线以减轻敏感性估计中的噪声，在各种基准测试和不同的量子核上均显示出测试均方根误差（RMSE）的显著改进。 AI

影响 这项研究可能导致更有效地利用量子计算资源来执行机器学习任务，如回归和贝叶斯求积。

排序理由 该集群包含一篇详细介绍量子核估计新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Bayesian quadrature
• Bernoulli
• Gaussian process
• Gramian matrix
• Pauli-Z
• radial basis function
• University of California, Irvine

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →