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
- 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) - Quantum transport on networks for supervised classification [0.0]
トレーニングされた量子ネットワークにおける粒子の量子輸送に基づく新しいタイプの量子分類器を提案する。
まず、波動関数は所定の(ランダム)群との重なりに応じて分類される。
第二に、波動関数はその位置化のレベルに応じて分類する。
第3の分類法は「現実の問題」であり、触媒性芳香族-アルデヒド基質の反応性による分類に関するものである。
論文 参考訳(メタデータ) (2023-11-04T15:57:43Z) - 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 [62.997667081978825]
我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。
要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
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) - Ensemble-learning variational shallow-circuit quantum classifiers [4.104704267247209]
本稿では,ブートストラップ集約と適応的ブースティングという,アンサンブル学習の2つの手法を提案する。
これらのプロトコルは古典的な手書き数字や対称性で保護されたトポロジカルハミルトニアンの量子位相の識別のために例示されている。
論文 参考訳(メタデータ) (2023-01-30T07:26:35Z) - 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) - Binary classifiers for noisy datasets: a comparative study of existing
quantum machine learning frameworks and some new approaches [0.0]
バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。
ノイズの多いデータセットは 財務的なデータセットの中にあります
新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
論文 参考訳(メタデータ) (2021-11-05T10:29:05Z) - 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。