論文の概要: Hybrid Quantum-Classical Neural Network for Incident Detection

• arxiv url: http://arxiv.org/abs/2108.01127v1
• Date: Mon, 2 Aug 2021 19:08:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-04 22:25:43.421254
• Title: Hybrid Quantum-Classical Neural Network for Incident Detection
• Title（参考訳）: インシデント検出のためのハイブリッド量子古典ニューラルネットワーク
• Authors: Zadid Khan, Sakib Mahmud Khan, Jean Michel Tine, Ayse Turhan Comert, Diamon Rice, Gurcan Comert, Dimitra Michalaka, Judith Mwakalonge, Reek Majumdar, Mashrur Chowdhury
• Abstract要約: リアルタイムインシデント検出モデルの効率性と信頼性は、影響を受ける廊下の交通安全と運転条件に直接影響を及ぼす。 クラウドベースの量子コンピューティング基盤の近年の出現と、ノイズの多い中間スケール量子デバイスにおけるイノベーションにより、量子強化アルゴリズムの新しい時代が明らかになった。 古典的および量子機械学習(ML)モデルを含むハイブリッド機械学習モデルを開発し、コネクテッドカー(CV)データを用いてインシデントを特定する。
• 参考スコア（独自算出の注目度）: 2.5583276647402693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The efficiency and reliability of real-time incident detection models directly impact the affected corridors' traffic safety and operational conditions. The recent emergence of cloud-based quantum computing infrastructure and innovations in noisy intermediate-scale quantum devices have revealed a new era of quantum-enhanced algorithms that can be leveraged to improve real-time incident detection accuracy. In this research, a hybrid machine learning model, which includes classical and quantum machine learning (ML) models, is developed to identify incidents using the connected vehicle (CV) data. The incident detection performance of the hybrid model is evaluated against baseline classical ML models. The framework is evaluated using data from a microsimulation tool for different incident scenarios. The results indicate that a hybrid neural network containing a 4-qubit quantum layer outperforms all other baseline models when there is a lack of training data. We have created three datasets; DS-1 with sufficient training data, and DS-2 and DS-3 with insufficient training data. The hybrid model achieves a recall of 98.9%, 98.3%, and 96.6% for DS-1, DS-2, and DS-3, respectively. For DS-2 and DS-3, the average improvement in F2-score (measures model's performance to correctly identify incidents) achieved by the hybrid model is 1.9% and 7.8%, respectively, compared to the classical models. It shows that with insufficient data, which may be common for CVs, the hybrid ML model will perform better than the classical models. With the continuing improvements of quantum computing infrastructure, the quantum ML models could be a promising alternative for CV-related applications when the available data is insufficient.
• Abstract（参考訳）: リアルタイムインシデント検出モデルの効率と信頼性は、影響を受ける廊下の交通安全と運用条件に直接影響する。 最近のクラウドベースの量子コンピューティングインフラストラクチャの出現と、ノイズの多い中間スケール量子デバイスにおけるイノベーションにより、リアルタイムインシデント検出精度を向上させるために活用できる量子エンハンスアルゴリズムの新しい時代が明らかになった。 本研究では、古典的および量子機械学習(ML)モデルを含むハイブリッド機械学習モデルを開発し、コネクテッドカー(CV)データを用いてインシデントを特定する。 ハイブリッドモデルのインシデント検出性能を,ベースライン古典MLモデルに対して評価した。 このフレームワークは、様々なインシデントシナリオのためのマイクロシミュレーションツールのデータを用いて評価される。 その結果,4量子ビットの量子層を含むハイブリッドニューラルネットワークは,トレーニングデータがない場合には,他のベースラインモデルよりも優れていることがわかった。 十分なトレーニングデータを持つds-1,トレーニングデータ不足のds-2,ds-3の3つのデータセットを作成した。 ハイブリッドモデルは、それぞれDS-1、DS-2、DS-3の98.9%、98.3%、96.6%のリコールを達成する。 ds-2とds-3では、ハイブリッドモデルによって達成されたf2-score(インシデントを正確に識別するためのモデルの性能)は、古典的なモデルと比較してそれぞれ1.9%と7.8%であった。 これは、cvsに共通するデータ不足により、ハイブリッドmlモデルが従来のモデルよりもパフォーマンスが向上することを示している。 量子コンピューティングインフラストラクチャの継続的な改善により、利用可能なデータが不十分な場合、量子MLモデルはCV関連のアプリケーションにとって有望な代替となる可能性がある。

関連論文リスト

• Learning Density Functionals from Noisy Quantum Data [0.0]
  ノイズの多い中間スケール量子(NISQ)デバイスは、機械学習(ML)モデルのトレーニングデータを生成するために使用される。 NISQアルゴリズムの典型的なノイズを受ける小さなデータセットからニューラルネットワークMLモデルをうまく一般化できることを示す。 本研究は,NISQデバイスを実用量子シミュレーションに活用するための有望な経路であることを示唆する。
  論文  参考訳（メタデータ） (2024-09-04T17:59:55Z)
• Towards Effective and Efficient Continual Pre-training of Large Language Models [163.34610964970258]
  CPT(Continuous pre-training)は、特定のドメインやタスクに言語モデルを適用する上で重要なアプローチである。 本稿では,Llama-3 (8B) の継続事前訓練に関する技術的報告を報告する。 バックボーンモデルの中国語能力と科学的推論能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-07-26T13:55:21Z)
• 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention [0.174048653626208]
  本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。 実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。 このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
  論文  参考訳（メタデータ） (2023-12-20T03:38:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Exploring the Vulnerabilities of Machine Learning and Quantum Machine Learning to Adversarial Attacks using a Malware Dataset: A Comparative Analysis [0.0]
  機械学習(ML)と量子機械学習(QML)は、複雑な問題に対処する上で大きな可能性を示している。 敵攻撃に対する感受性は、これらのシステムをセキュリティに敏感なアプリケーションにデプロイする際の懸念を引き起こす。 本稿では,マルウェアデータセットを用いた敵攻撃に対するMLモデルとQNNモデルの脆弱性の比較分析を行う。
  論文  参考訳（メタデータ） (2023-05-31T06:31:42Z)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• 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)
• Physics Simulation Via Quantum Graph Neural Network [0.0]
  量子グラフニューラルネットワーク(QGNN)の2つの実現法を開発し,実装する。 最初のQGNNは、古典的な情報として重ね合わせ状態を直接実装する能力に依存する投機的量子古典的ハイブリッド学習モデルである。 2つ目は量子古典的ハイブリッド学習モデルで、RX$回転ゲートのパラメータを通して直接粒子情報を伝播する。
  論文  参考訳（メタデータ） (2023-01-11T20:21:10Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning [67.40866334083941]
  限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。 従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。 本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-12-07T03:44:35Z)

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。