論文の概要: Image Classification via Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2011.02831v2
- Date: Tue, 22 Dec 2020 02:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 06:28:12.259019
- Title: Image Classification via Quantum Machine Learning
- Title(参考訳): 量子機械学習による画像分類
- Authors: H\'ector Iv\'an Garc\'ia Hern\'andez, Raymundo Torres Ruiz, Guo-Hua
Sun
- Abstract要約: この作業は、量子分類器を使用して、バイナリ属性でパターンを分類することである。
これらの実験は、バランスの取れた分類問題に対処しながら、良好な出力を示す。
これは医療分野でも有望であり、重要な階級も少数派である。
- 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: Quantum Computing and especially Quantum Machine Learning, in a short period
of time, has gained a lot of interest through research groups around the world.
This can be seen in the increasing number of proposed models for pattern
classification applying quantum principles to a certain degree. Despise the
increasing volume of models, there is a void in testing these models on real
datasets and not only on synthetic ones. The objective of this work is to
classify patterns with binary attributes using a quantum classifier. Specially,
we show results of a complete quantum classifier applied to image datasets. The
experiments show favorable output while dealing with balanced classification
problems as well as with imbalanced classes where the minority class is the
most relevant. This is promising in medical areas, where usually the important
class is also the minority class.
- Abstract(参考訳): 量子コンピューティング、特に量子機械学習は、短期間のうちに、世界中の研究グループを通じて多くの関心を集めている。
これは、量子原理をある程度適用したパターン分類のための提案されたモデルの増加に見ることができる。
モデルの量の増加を軽視し、合成データだけでなく、実際のデータセットでこれらのモデルをテストするのに無駄があります。
この研究の目的は、量子分類器を用いてバイナリ属性でパターンを分類することである。
特に,画像データセットに適用した完全量子分類器の結果を示す。
この実験は、マイノリティクラスが最も関係のある不均衡クラスと同様に、バランスのとれた分類問題を扱う一方で、良好な出力を示す。
これは、通常重要なクラスがマイノリティクラスである医療分野において有望である。
関連論文リスト
- Quantum Latent Diffusion Models [65.16624577812436]
本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。
これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。
この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
論文 参考訳(メタデータ) (2025-01-19T21:24:02Z) - Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images [0.5892638927736115]
本研究では,2値画像分類の課題に対して,ランダム化された古典ニューラルネットワークと量子ニューラルネットワークの性能を比較した。
本研究は,実用的な画像分類タスクのための量子機械学習の展望について,産業的な視点を提供する。
論文 参考訳(メタデータ) (2024-11-28T17:13:45Z) - Quantum Active Learning [3.3202982522589934]
量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。
QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。
我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
論文 参考訳(メタデータ) (2024-05-28T14:39:54Z) - Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。
以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。
データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
論文 参考訳(メタデータ) (2024-02-28T07:54:50Z) - MORE: Measurement and Correlation Based Variational Quantum Circuit for
Multi-classification [10.969833959443495]
MOREは、測定と相関に基づく変分量子多重分類器の略である。
我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
論文 参考訳(メタデータ) (2023-07-21T19:33:10Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳(メタデータ) (2023-03-27T22:48:28Z) - 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) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳(メタデータ) (2022-04-26T09:52:02Z) - Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。
量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。
基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文 参考訳(メタデータ) (2020-09-11T16:35:53Z)
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。