論文の概要: Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition
- arxiv url: http://arxiv.org/abs/2010.13309v2
- Date: Fri, 12 Feb 2021 05:53:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 18:04:58.107463
- Title: Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition
- Title（参考訳）: 量子畳み込みニューラルネットワークによる自動音声認識のための特徴抽出
- Authors: Chao-Han Huck Yang, Jun Qi, Samuel Yen-Chi Chen, Pin-Yu Chen, Sabato
Marco Siniscalchi, Xiaoli Ma, Chin-Hui Lee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 101.69873988328808
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose a novel decentralized feature extraction approach in federated
learning to address privacy-preservation issues for speech recognition. It is
built upon a quantum convolutional neural network (QCNN) composed of a quantum
circuit encoder for feature extraction, and a recurrent neural network (RNN)
based end-to-end acoustic model (AM). To enhance model parameter protection in
a decentralized architecture, an input speech is first up-streamed to a quantum
computing server to extract Mel-spectrogram, and the corresponding
convolutional features are encoded using a quantum circuit algorithm with
random parameters. The encoded features are then down-streamed to the local RNN
model for the final recognition. The proposed decentralized framework takes
advantage of the quantum learning progress to secure models and to avoid
privacy leakage attacks. Testing on the Google Speech Commands Dataset, the
proposed QCNN encoder attains a competitive accuracy of 95.12% in a
decentralized model, which is better than the previous architectures using
centralized RNN models with convolutional features. We also conduct an in-depth
study of different quantum circuit encoder architectures to provide insights
into designing QCNN-based feature extractors. Neural saliency analyses
demonstrate a correlation between the proposed QCNN features, class activation
maps, and input spectrograms. We provide an implementation for future studies.
- Abstract（参考訳）: 本稿では,音声認識におけるプライバシ保護問題に対処するために,連合学習における新しい分散特徴抽出手法を提案する。
特徴抽出のための量子回路エンコーダと、リカレントニューラルネットワーク(RNN)に基づくエンドツーエンド音響モデル(AM)で構成される量子畳み込みニューラルネットワーク(QCNN)上に構築されている。
分散アーキテクチャにおけるモデルパラメータ保護を強化するために、入力音声をまず量子コンピューティングサーバにアップストリームしてメルスペクトルを抽出し、対応する畳み込み特徴を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する。
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。
提案された分散フレームワークは、量子学習の進歩を利用してモデルをセキュアにし、プライバシ漏洩攻撃を避ける。
提案するqcnnエンコーダは、google speech commandデータセット上でテストされ、分散モデルにおいて95.12%の競合精度を達成している。
また、異なる量子回路エンコーダアーキテクチャの詳細な研究を行い、QCNNベースの特徴抽出器の設計に関する洞察を提供する。
ニューラルサリエンシ分析は,提案したQCNN特徴,クラス活性化マップ,入力スペクトログラムの相関関係を示す。
我々は将来の研究のために実施する。
関連論文リスト
- Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術は プライバシー セキュリティ 情報整合性に 課題をもたらす
本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-11T20:52:10Z) - 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) - Quantum Recurrent Neural Networks for Sequential Learning [11.133759363113867]
近いうちに量子優位性のあるアプリケーションを見つけるために,新しい種類の量子リカレントニューラルネットワーク(QRNN)を提案する。
我々のQRNNは、量子デバイスのコヒーレント時間に関してアルゴリズムの要求を大幅に削減できる、停滞した方法でQRBを積み重ねることによって構築されます。
数値実験により,我々のQRNNは古典的RNNと最先端QNNモデルに対する予測(分類)精度が向上し,逐次学習が可能となった。
論文 参考訳（メタデータ） (2023-02-07T04:04:39Z) - Quantum Self-Attention Neural Networks for Text Classification [8.975913540662441]
量子自己アテンションニューラルネットワーク(QSANN)と呼ばれる,新しいシンプルなネットワークアーキテクチャを提案する。
本稿では,量子ニューラルネットワークに自己アテンション機構を導入し,ガウス射影量子自己アテンションを自己アテンションの有感な量子バージョンとして活用する。
提案手法は低レベル量子雑音に対するロバスト性を示し,量子ニューラルネットワークアーキテクチャに対するレジリエンスを示す。
論文 参考訳（メタデータ） (2022-05-11T16:50:46Z) - Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for
Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。
イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。
本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-06T23:45:58Z) - On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing
Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。
この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。
マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文 参考訳（メタデータ） (2021-09-20T12:41:50Z) - 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) - Branching Quantum Convolutional Neural Networks [0.0]
小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。
本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
論文 参考訳（メタデータ） (2020-12-28T19:00:03Z) - AutoSpeech: Neural Architecture Search for Speaker Recognition [108.69505815793028]
本稿では,AutoSpeech という名称の話者認識タスクに対して,最初のニューラルアーキテクチャ探索アプローチを提案する。
提案アルゴリズムはまず,ニューラルネットワークの最適操作の組み合わせを特定し,その後,複数回重ねてCNNモデルを導出する。
得られたCNNアーキテクチャは,モデル複雑性を低減しつつ,VGG-M,ResNet-18,ResNet-34のバックボーンに基づく現在の話者認識システムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-05-07T02:53:47Z)
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。