近术量子器件在机器学习（ML）中的应用引起了很多关注。在一个这样的尝试中，mitarai等。（2018）提出了一个框架，用于使用量子电路进行监督ML任务，称为量子电路学习（QCL）。由于使用量子电路，QCL可以采用指数上高维的希尔伯特空间作为其特征空间。然而，与古典算法相比的效率仍未探索。在本研究中，使用称为计数草图的统计技术，我们提出了一种使用相同的Hilbert空间的典型ML算法。在数值模拟中，我们所提出的算法对QCL表示类似的QCL，对于几毫安任务。这提供了一种新的视角，其要考虑量子M1算法的计算和内存效率。

We construct a corpus of Japanese a cappella vocal ensembles (jaCappella corpus) for vocal ensemble separation and synthesis. It consists of 35 copyright-cleared vocal ensemble songs and their audio recordings of individual voice parts. These songs were arranged from out-of-copyright Japanese children's songs and have six voice parts (lead vocal, soprano, alto, tenor, bass, and vocal percussion). They are divided into seven subsets, each of which features typical characteristics of a music genre such as jazz and enka. The variety in genre and voice part match vocal ensembles recently widespread in social media services such as YouTube, although the main targets of conventional vocal ensemble datasets are choral singing made up of soprano, alto, tenor, and bass. Experimental evaluation demonstrates that our corpus is a challenging resource for vocal ensemble separation. Our corpus is available on our project page (https://tomohikonakamura.github.io/jaCappella_corpus/).

贝叶斯优化有效地优化了黑盒问题中的参数。但是，在有限的试验中，该方法对于高维参数不起作用。可以通过非线性将其嵌入低维空间来有效地探索参数。但是，不能考虑约束。我们提出了将参数分解组合到非线性嵌入中，以考虑在高维贝叶斯优化中考虑已知的平等和未知不平等约束。我们将提出的方法应用于粉末称重任务，作为使用情况。根据实验结果，与手动参数调整相比，提出的方法考虑了约束，并将试验数量减少约66％。