論文の概要: Anomaly detection with variational quantum generative adversarial networks

• arxiv url: http://arxiv.org/abs/2010.10492v2
• Date: Wed, 21 Jul 2021 08:45:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-28 05:33:27.366451
• Title: Anomaly detection with variational quantum generative adversarial networks
• Title（参考訳）: 変動量子生成逆ネットワークを用いた異常検出
• Authors: Daniel Herr, Benjamin Obert, Matthias Rosenkranz
• Abstract要約: GAN(Generative Adversarial Network)は、ターゲット分布からサンプリングする生成モデルを含む機械学習フレームワークである。 これらの問題に対処するために、変分量子古典ワッサースタインGANを導入し、このモデルを古典的な機械学習フレームワークに組み込んで異常検出を行う。 我々のモデルは、ワッサースタインGANのジェネレータをハイブリッド量子古典ニューラルネットに置き換え、古典的な判別モデルをそのまま残す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative adversarial networks (GANs) are a machine learning framework comprising a generative model for sampling from a target distribution and a discriminative model for evaluating the proximity of a sample to the target distribution. GANs exhibit strong performance in imaging or anomaly detection. However, they suffer from training instabilities, and sampling efficiency may be limited by the classical sampling procedure. We introduce variational quantum-classical Wasserstein GANs to address these issues and embed this model in a classical machine learning framework for anomaly detection. Classical Wasserstein GANs improve training stability by using a cost function better suited for gradient descent. Our model replaces the generator of Wasserstein GANs with a hybrid quantum-classical neural net and leaves the classical discriminative model unchanged. This way, high-dimensional classical data only enters the classical model and need not be prepared in a quantum circuit. We demonstrate the effectiveness of this method on a credit card fraud dataset. For this dataset our method shows performance on par with classical methods in terms of the $F_1$ score. We analyze the influence of the circuit ansatz, layer width and depth, neural net architecture parameter initialization strategy, and sampling noise on convergence and performance.
• Abstract（参考訳）: generative adversarial network(gans)は、対象分布からサンプリングするための生成モデルと、対象分布へのサンプルの近接を評価する識別モデルとからなる機械学習フレームワークである。 GANは画像や異常検出において強い性能を示す。 しかし、それらはトレーニングの不安定性に苦しめられ、サンプリング効率は古典的なサンプリング手順によって制限される可能性がある。 我々は,これらの問題に対処するために変分量子古典的waserstein gansを導入し,このモデルを古典的機械学習フレームワークに組み込んで異常検出を行う。 古典的なワッサースタイン GANは勾配降下に適したコスト関数を用いることで訓練安定性を向上させる。 我々のモデルは、wasserstein gansのジェネレータをハイブリッド量子古典型ニューラルネットワークに置き換え、古典的判別モデルを変更しない。 このようにして、高次元の古典データは古典モデルにのみ入力され、量子回路で準備される必要はない。 本手法の有効性をクレジットカード詐欺データセットで実証する。 このデータセットでは、従来のメソッドと同等のパフォーマンスを$F_1$スコアで示します。 我々は,回路アンサッツ,層幅と深さ,ニューラルネットアーキテクチャパラメータの初期化戦略,サンプリングノイズが収束と性能に与える影響を分析する。

関連論文リスト

• Model-Based Qubit Noise Spectroscopy [0.0]
  古典的な信号処理からインスピレーションを得てモデルに基づくQNSアプローチを導出する。 シミュレーションと実験データの両方を通して、これらのモデルに基づくQNSアプローチが、古典的手法の統計的および計算的利点をいかに維持するかを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:30:38Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• A Comparative Analysis of Adversarial Robustness for Quantum and Classical Machine Learning Models [0.0]
  古典モデルと量子モデルの相似性と相違点について検討する。 この結果から,量子古典境界上でのQML回路の古典的近似を「中間基底」と見なすことができた。
  論文  参考訳（メタデータ） (2024-04-24T19:20:15Z)
• Unsupervised textile defect detection using convolutional neural networks [0.0]
  教師なし繊維異常検出のためのモチーフに基づく新しい手法を提案する。 従来の畳み込みニューラルネットワークの利点と教師なし学習パラダイムの利点を組み合わせる。 パターンファブリクスベンチマークデータセットに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-30T22:08:06Z)
• Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters [69.24377241408851]
  ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。 本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:21:34Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)
• A Distributed Optimisation Framework Combining Natural Gradient with Hessian-Free for Discriminative Sequence Training [16.83036203524611]
  本稿では、ニューラルネットワークトレーニングのための自然勾配およびヘッセンフリー(NGHF)最適化フレームワークを提案する。 これは、自然勾配(ng)法とヘッセンフリー(hf)や他の二次法からの局所曲率情報を組み合わせた線形共役勾配(cg)アルゴリズムに依存している。 さまざまな音響モデルタイプのマルチジャンル放送データセットで実験が報告されています。
  論文  参考訳（メタデータ） (2021-03-12T22:18:34Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。