論文の概要: Hybrid quantum-classical unsupervised data clustering based on the self-organizing feature map

• arxiv url: http://arxiv.org/abs/2009.09246v3
• Date: Fri, 10 Jan 2025 10:32:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:24:48.892250
• Title: Hybrid quantum-classical unsupervised data clustering based on the self-organizing feature map
• Title（参考訳）: 自己組織化特徴写像に基づくハイブリッド量子古典的教師なしデータクラスタリング
• Authors: Ilia D. Lazarev, Marek Narozniak, Tim Byrnes, Alexey N. Pyrkov,
• Abstract要約: 自己組織化特徴写像を用いた量子支援型教師なしデータクラスタリングのアルゴリズムを提案する。 提案アルゴリズムは,距離行列の誤差がアルゴリズムの実行回数に比例して指数関数的に減少することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Unsupervised machine learning is one of the main techniques employed in artificial intelligence. We introduce an algorithm for quantum-assisted unsupervised data clustering using the self-organizing feature map, a type of artificial neural network. The complexity of our algorithm scales as O(LN), in comparison to the classical case which scales as O(LMN), where N is the number of samples, M is the number of randomly sampled cluster vectors, and L is the number of the shifts of cluster vectors. We perform a proof-of-concept demonstration of one of the central components on the IBM quantum computer and show that it allows us to reduce the number of calculations in the number of clusters. Our algorithm exhibits exponential decrease in the errors of the distance matrix with the number of runs of the algorithm.
• Abstract（参考訳）: 教師なし機械学習は、人工知能で使用される主要なテクニックの1つである。 本稿では,ニューラルネットワークの一種である自己組織化特徴写像を用いた量子支援型無教師データクラスタリングのアルゴリズムを提案する。 アルゴリズムの複雑さは、O(LMN) としてスケールする古典的ケースと比較して、O(LN) としてスケールするが、N はサンプル数、M はランダムにサンプリングされたクラスタベクトルの数、L はクラスタベクトルのシフト数である。 我々は、IBM量子コンピュータにおける中心的なコンポーネントの1つについて概念実証を行い、クラスタ数の計算回数を減らすことができることを示す。 提案アルゴリズムは,距離行列の誤差がアルゴリズムの実行回数に比例して指数関数的に減少することを示す。

関連論文リスト

• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [69.15976031704687]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• A hybrid quantum-classical algorithm for multichannel quantum scattering of atoms and molecules [62.997667081978825]
  原子と分子の衝突に対するシュリンガー方程式を解くためのハイブリッド量子古典アルゴリズムを提案する。 このアルゴリズムはコーン変分原理の$S$-matrixバージョンに基づいており、基本散乱$S$-matrixを計算する。 大規模多原子分子の衝突をシミュレートするために,アルゴリズムをどのようにスケールアップするかを示す。
  論文  参考訳（メタデータ） (2023-04-12T18:10:47Z)
• Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Variational Quantum and Quantum-Inspired Clustering [0.0]
  本稿では,変動量子回路に基づくクラスタリングのための量子アルゴリズムを提案する。 このアルゴリズムはデータを多くのクラスタに分類することができ、数量子のノイズ中間スケール量子(NISQ)デバイスで容易に実装できる。
  論文  参考訳（メタデータ） (2022-06-20T17:02:19Z)
• Lattice-Based Methods Surpass Sum-of-Squares in Clustering [98.46302040220395]
  クラスタリングは教師なし学習における基本的なプリミティブである。 最近の研究は、低次手法のクラスに対する低い境界を確立している。 意外なことに、この特定のクラスタリングモデルのtextitdoesは、統計的-計算的ギャップを示さない。
  論文  参考訳（メタデータ） (2021-12-07T18:50:17Z)
• Unsupervised Event Classification with Graphs on Classical and Photonic Quantum Computers [0.0]
  フォトニック量子コンピュータは、量子コンピューティングの離散量子ビットベースのパラダイムよりもいくつかの利点を提供している。 新物理の探索に使用する異常検出モデルを構築した。 ガウスボソンサンプリングとQ平均と呼ばれるK平均への量子拡張を組み合わせた新しい異常検出法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T19:02:31Z)
• Quantum K-medians Algorithm Using Parallel Euclidean Distance Estimator [0.0]
  本稿では,量子ユークリッド推定アルゴリズムを用いた効率的な量子k-メディアンクラスタリングアルゴリズムを提案する。 提案した量子k-メディアンアルゴリズムは、古典的なバージョンに比べて指数速度が向上した。
  論文  参考訳（メタデータ） (2020-12-21T06:38:20Z)
• NN-EVCLUS: Neural Network-based Evidential Clustering [6.713564212269253]
  本稿では,NN-EVCLUSと呼ばれるニューラルネットワークに基づく明確なクラスタリングアルゴリズムを提案する。 属性ベクトルから質量関数への写像を学習し、より類似した入力がより低い競合度を持つ質量関数の出力にマッピングされるようにする。 ネットワークは、すべてのオブジェクトまたはいくつかのオブジェクトペアの相違点と相反点の差を最小限に抑えるように訓練されている。
  論文  参考訳（メタデータ） (2020-09-27T09:05:41Z)
• Quantum Spectral Clustering [5.414308305392762]
  スペクトルクラスタリングは、非凸構造やネスト構造でデータをクラスタリングするための強力な機械学習アルゴリズムである。 本稿では,エンドツーエンドの量子アルゴリズムのスペクトルクラスタリングを提案し,量子機械学習における多くの研究を拡張した。
  論文  参考訳（メタデータ） (2020-07-01T07:11:42Z)

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。