論文の概要: A Tutorial on Quantum Convolutional Neural Networks (QCNN)

• arxiv url: http://arxiv.org/abs/2009.09423v1
• Date: Sun, 20 Sep 2020 12:29:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 18:18:32.388933
• Title: A Tutorial on Quantum Convolutional Neural Networks (QCNN)
• Title（参考訳）: 量子畳み込みニューラルネットワーク(QCNN)に関するチュートリアル
• Authors: Seunghyeok Oh, Jaeho Choi and Joongheon Kim
• Abstract要約: 畳み込みニューラルネットワーク(CNN)はコンピュータビジョンにおいて一般的なモデルである。 CNNは、与えられたデータやモデルの次元が大きすぎる場合、効率的に学習するのは難しい。 量子畳み込みニューラルネットワーク(Quantum Convolutional Neural Network, QCNN)は、量子コンピューティング環境を用いてCNNで解決する問題に対する新しい解決策を提供する。
• 参考スコア（独自算出の注目度）: 11.79760591464748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Network (CNN) is a popular model in computer vision and has the advantage of making good use of the correlation information of data. However, CNN is challenging to learn efficiently if the given dimension of data or model becomes too large. Quantum Convolutional Neural Network (QCNN) provides a new solution to a problem to solve with CNN using a quantum computing environment, or a direction to improve the performance of an existing learning model. The first study to be introduced proposes a model to effectively solve the classification problem in quantum physics and chemistry by applying the structure of CNN to the quantum computing environment. The research also proposes the model that can be calculated with O(log(n)) depth using Multi-scale Entanglement Renormalization Ansatz (MERA). The second study introduces a method to improve the model's performance by adding a layer using quantum computing to the CNN learning model used in the existing computer vision. This model can also be used in small quantum computers, and a hybrid learning model can be designed by adding a quantum convolution layer to the CNN model or replacing it with a convolution layer. This paper also verifies whether the QCNN model is capable of efficient learning compared to CNN through training using the MNIST dataset through the TensorFlow Quantum platform.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)はコンピュータビジョンにおいて一般的なモデルであり、データの相関情報をうまく活用する利点がある。 しかし、cnnは与えられたデータやモデルの次元が大きすぎる場合、効率的に学習することが難しい。 量子畳み込みニューラルネットワーク(quantum convolutional neural network, qcnn)は、量子コンピューティング環境を使用してcnnで解決すべき問題に対する新たなソリューションや、既存の学習モデルのパフォーマンス向上のための方向性を提供する。 そこで本研究では,CNNの構造を量子コンピューティング環境に適用することにより,量子物理学と化学の分類問題を効果的に解くモデルを提案する。 また, マルチスケールエンタングルメント再正規化アンサッツ (MERA) を用いて, O(log(n)) 深さで計算できるモデルを提案する。 第2の研究では、既存のコンピュータビジョンで使用されるCNN学習モデルに量子コンピューティングを用いた層を追加することにより、モデルの性能を改善する方法を紹介した。 このモデルは小さな量子コンピュータでも利用することができ、cnnモデルに量子畳み込み層を追加するか、畳み込み層に置き換えることでハイブリッド学習モデルを設計することができる。 本稿では、TensorFlow QuantumプラットフォームによるMNISTデータセットを用いたトレーニングを通じて、QCNNモデルがCNNと比較して効率的に学習できるかどうかを検証する。

関連論文リスト

• Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
  量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。 適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。 本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
  論文  参考訳（メタデータ） (2024-02-01T15:13:26Z)
• Dynamic Semantic Compression for CNN Inference in Multi-access Edge Computing: A Graph Reinforcement Learning-based Autoencoder [82.8833476520429]
  部分オフロードにおける効果的な意味抽出と圧縮のための新しい意味圧縮手法であるオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 セマンティックエンコーダでは、CNNのチャネルアテンション機構に基づく特徴圧縮モジュールを導入し、最も情報性の高い特徴を選択して中間データを圧縮する。 セマンティックデコーダでは、受信した圧縮データから学習して中間データを再構築し、精度を向上させる軽量デコーダを設計する。
  論文  参考訳（メタデータ） (2024-01-19T15:19:47Z)
• A Quantum Convolutional Neural Network Approach for Object Detection and Classification [0.0]
  QCNNの時間と精度は、異なる条件下での古典的なCNNやANNモデルと比較される。 この分析により、QCNNは、特定のアプリケーションにおける精度と効率の点で、古典的なCNNとANNのモデルより優れている可能性が示されている。
  論文  参考訳（メタデータ） (2023-07-17T02:38:04Z)
• Learning a quantum computer's capability [0.0]
  本稿では,量子コンピュータの能力のスケーラブルな予測モデルを効率的に構築するハードウェアに依存しない手法を提案する。 我々のCNNベースのアプローチは、回路を3次元テンソルとして効率的に表現し、CNNを用いてその成功率を予測する。
  論文  参考訳（メタデータ） (2023-04-20T21:25:33Z)
• Towards a General Purpose CNN for Long Range Dependencies in $\mathrm{N}$D [49.57261544331683]
  構造変化のない任意の解像度,次元,長さのタスクに対して,連続的な畳み込みカーネルを備えた単一CNNアーキテクチャを提案する。 1$mathrmD$)とビジュアルデータ(2$mathrmD$)の幅広いタスクに同じCCNNを適用することで、我々のアプローチの汎用性を示す。 私たちのCCNNは競争力があり、検討されたすべてのタスクで現在の最先端を上回ります。
  論文  参考訳（メタデータ） (2022-06-07T15:48:02Z)
• Quantum convolutional neural network for classical data classification [0.8057006406834467]
  古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。 本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T06:48:34Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Quantum Optical Convolutional Neural Network: A Novel Image Recognition Framework for Quantum Computing [0.0]
  量子コンピューティングに基づく新しいディープラーニングモデルQuantum Optical Convolutional Neural Network (QOCNN)について報告する。 我々はこの新しいアーキテクチャを、セミナルなLeNetモデルに基づいた従来のCNNと比較した。 ディープラーニングへの量子コンピューティングベースのアプローチへの切り替えは、古典的モデルに匹敵する精度をもたらす可能性があると結論付けている。
  論文  参考訳（メタデータ） (2020-12-19T23:10:04Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。