論文の概要: Quantum One-class Classification With a Distance-based Classifier

• arxiv url: http://arxiv.org/abs/2007.16200v2
• Date: Thu, 6 May 2021 16:53:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 07:14:12.636993
• Title: Quantum One-class Classification With a Distance-based Classifier
• Title（参考訳）: 距離に基づく分類器を用いた量子一クラス分類
• Authors: Nicolas M. de Oliveira, Lucas P. de Albuquerque, Wilson R. de Oliveira, Teresa B. Ludermir, and Adenilton J. da Silva
• Abstract要約: 現在の量子ハードウェアの既存のエラーと利用可能な量子ビットの数が少ないため、より少ない量子ビットと少ない演算を使用するソリューションを使う必要がある。 我々は、最小限の量子機械学習モデルと少ない演算と量子ビットからなる量子一級量子コンピュータ(QOCC)に基づく新しい分類器を提案する。
• 参考スコア（独自算出の注目度）: 1.316309856358873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advancement of technology in Quantum Computing has brought possibilities for the execution of algorithms in real quantum devices. However, the existing errors in the current quantum hardware and the low number of available qubits make it necessary to use solutions that use fewer qubits and fewer operations, mitigating such obstacles. Hadamard Classifier (HC) is a distance-based quantum machine learning model for pattern recognition. We present a new classifier based on HC named Quantum One-class Classifier (QOCC) that consists of a minimal quantum machine learning model with fewer operations and qubits, thus being able to mitigate errors from NISQ (Noisy Intermediate-Scale Quantum) computers. Experimental results were obtained by running the proposed classifier on a quantum device and show that QOCC has advantages over HC.
• Abstract（参考訳）: 量子コンピューティングにおける技術の進歩は、実際の量子デバイスでアルゴリズムを実行する可能性をもたらした。 しかし、現在の量子ハードウェアにおける既存のエラーと利用可能な量子ビットの数が少ないため、より少ない量子ビットと少ない演算を使用するソリューションを使う必要があり、そのような障害を軽減できる。 Hadamard Classifier (HC) はパターン認識のための距離ベース量子機械学習モデルである。 我々は、最小限の量子機械学習モデルと少ない演算と量子ビットからなるHCに基づく新しい分類器を提案し、それによって、NISQ(Noisy Intermediate-Scale Quantum)コンピュータからのエラーを軽減することができる。 提案した分類器を量子デバイス上で実行し,QOCCがHCよりも優れていることを示す実験結果を得た。

関連論文リスト

• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Machine Learning for Practical Quantum Error Mitigation [0.0]
  量子エラー軽減のための機械学習は、オーバーヘッドを大幅に削減し、従来の手法の精度を維持または超える可能性があることを示す。 本結果は,量子計算における古典的機械学習の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-09-29T16:17:12Z)
• QUILT: Effective Multi-Class Classification on Quantum Computers Using an Ensemble of Diverse Quantum Classifiers [11.536317744969514]
  Quiltは、エラーを起こしやすい量子コンピュータ上で、マルチクラス分類タスクを実行するためのフレームワークである。 5ビットシステムのMNISTデータセットで最大85%のマルチクラス分類精度を示す。
  論文  参考訳（メタデータ） (2023-09-26T16:36:11Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Iterative Qubits Management for Quantum Index Searching in a Hybrid System [56.39703478198019]
  IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。 我々はQiskitでIQuCSを実装し、集中的な実験を行う。 その結果、量子ビットの消費を最大66.2%削減できることが示されている。
  論文  参考訳（メタデータ） (2022-09-22T21:54:28Z)
• Quantum Neuron with Separable-State Encoding [0.0]
  現在利用可能な量子プロセッサにおいて、高度な量子ニューロンモデルを大規模にテストすることは、まだ不可能である。 マルチキュービットゲート数を削減した量子パーセプトロン(QP)モデルを提案する。 シミュレーション量子コンピュータにおいて,QPの量子ビットバージョンをいくつか実装することにより,提案モデルの性能を実証する。
  論文  参考訳（メタデータ） (2022-02-16T19:26:23Z)
• Trainable Discrete Feature Embeddings for Variational Quantum Classifier [4.40450723619303]
  我々は、QRAC(Quantum Random Access Coding)を用いて、より少ない量子ビットで離散的な特徴をマップする方法を示す。 QRACと最近提案された量子量学習(quantum metric learning)と呼ばれる量子特徴マップのトレーニング戦略を組み合わせることで、個別の特徴をトレーニング可能な量子回路に埋め込む新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-17T12:02:01Z)
• Higgs analysis with quantum classifiers [0.0]
  我々は、$tbartH(bbarb)$分類問題に対する2つの量子分類器モデルを開発した。 この結果は、量子機械学習(QML)メソッドが類似あるいはより良い性能を持つことができるという概念の証明として役立ちます。
  論文  参考訳（メタデータ） (2021-04-15T18:01:51Z)

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。