論文の概要: Quantum correlation alignment for unsupervised domain adaptation

• arxiv url: http://arxiv.org/abs/2005.03355v4
• Date: Thu, 3 Jun 2021 15:23:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 00:09:42.988889
• Title: Quantum correlation alignment for unsupervised domain adaptation
• Title（参考訳）: 教師なし領域適応のための量子相関アライメント
• Authors: Xi He
• Abstract要約: 相関アライメント(CoRAL)は、代表領域適応(DA)アルゴリズムである。 我々は2つの異なる方法で量子デバイス上でCORALを実装している。
• 参考スコア（独自算出の注目度）: 2.554707894007185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Correlation alignment (CORAL), a representative domain adaptation (DA) algorithm, decorrelates and aligns a labelled source domain dataset to an unlabelled target domain dataset to minimize the domain shift such that a classifier can be applied to predict the target domain labels. In this paper, we implement the CORAL on quantum devices by two different methods. One method utilizes quantum basic linear algebra subroutines (QBLAS) to implement the CORAL with exponential speedup in the number and dimension of the given data samples. The other method is achieved through a variational hybrid quantum-classical procedure. In addition, the numerical experiments of the CORAL with three different types of data sets, namely the synthetic data, the synthetic-Iris data, the handwritten digit data, are presented to evaluate the performance of our work. The simulation results prove that the variational quantum correlation alignment algorithm (VQCORAL) can achieve competitive performance compared with the classical CORAL.
• Abstract（参考訳）: 相関アライメント(CORAL)は、DAアルゴリズムであり、ラベル付きソースドメインデータセットをラベル付きターゲットドメインデータセットにデコレーションし、アライメントすることで、ターゲットドメインラベルを予測するために分類器を適用することができるように、ドメインシフトを最小限にする。 本稿では,量子デバイス上でのCORALを2つの異なる方法で実装する。 1つの方法は量子基本線型代数サブルーチン(QBLAS)を用いて、与えられたデータサンプルの数と次元の指数的なスピードアップでコーラルを実装する。 もう1つの方法は変分ハイブリッド量子古典手順によって達成される。 さらに,3種類のデータセット,すなわち合成データ,合成アイリスデータ,手書き数字データを用いたCoralの数値実験を行い,その性能評価を行った。 シミュレーションの結果,変分量子相関アライメントアルゴリズム (VQCORAL) は古典的コーラルと比較して競争性能がよいことを示した。

関連論文リスト

• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• A Quantum Approach to Synthetic Minority Oversampling Technique (SMOTE) [1.5186937600119894]
  本稿では,機械学習データセットにおけるクラス不均衡の問題を解くために,Quantum-SMOTE法を提案する。 量子SMOTEはスワップテストや量子回転といった量子プロセスを用いて合成データポイントを生成する。 このアプローチは、Telecom Churnの公開データセットでテストされ、その影響と、さまざまな合成データの比率を決定する。
  論文  参考訳（メタデータ） (2024-02-27T10:46:36Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• On Robust Learning from Noisy Labels: A Permutation Layer Approach [53.798757734297986]
  本稿では、深層ニューラルネットワーク(DNN)のトレーニング過程を動的に校正するPermLLと呼ばれる置換層学習手法を提案する。 本稿では,PermLLの2つの変種について述べる。一方はモデルの予測に置換層を適用し,他方は与えられた雑音ラベルに直接適用する。 我々はPermLLを実験的に検証し、実際のデータセットと合成データセットの両方で最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2022-11-29T03:01:48Z)
• Understanding the Mapping of Encode Data Through An Implementation of Quantum Topological Analysis [0.7106986689736827]
  複素ヒルベルト空間に埋め込まれたデータのトポロジーを解析することにより,符号化手法の違いを可視化できることを示す。 提案手法は,異なる量子機械学習モデルにおいて慎重に検討する必要があることを示唆する。
  論文  参考訳（メタデータ） (2022-09-21T18:46:08Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Quantum classifiers for domain adaptation [6.294824401353294]
  有効領域適応(DA)分類器の2つの量子実装を示す。 1つの実装は、対象のドメインデータのラベルを、与えられたデータの数と次元の対数的なリソースで予測することができる。 他の実装は、変分型ハイブリッド量子古典的手順により、DAタスクを効率的に達成する。
  論文  参考訳（メタデータ） (2021-10-06T14:34:07Z)
• Gradient Matching for Domain Generalization [93.04545793814486]
  機械学習システムの重要な要件は、見えないドメインに一般化する能力です。 ドメインの一般化を目標とするドメイン間勾配マッチングの目的を提案する。 我々は、その最適化を近似する単純な一階アルゴリズムfishを導出する。
  論文  参考訳（メタデータ） (2021-04-20T12:55:37Z)
• Quantum subspace alignment for domain adaptation [2.554707894007185]
  ドメイン適応(DA)は、与えられた関連するが異なるラベル付きデータセットを持つ未処理データセットのラベルを適応的に取得するために使用される。 代表的DAアルゴリズムであるサブスペースアライメント(SA)は、2つの異なるデータセットのサブスペースをアライメントする線形変換を見つけようとする。 SAの2つの量子バージョンが、量子デバイス上でDA手順を実装するために提案されている。
  論文  参考訳（メタデータ） (2020-01-08T12:15:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。