論文の概要: ICCAD Special Session Paper: Quantum-Classical Hybrid Machine Learning
for Image Classification
- arxiv url: http://arxiv.org/abs/2109.02862v1
- Date: Tue, 7 Sep 2021 04:37:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 14:47:23.763817
- Title: ICCAD Special Session Paper: Quantum-Classical Hybrid Machine Learning
for Image Classification
- Title（参考訳）: ICCAD 特別セッション:画像分類のための量子古典ハイブリッド機械学習
- Authors: Mahabubul Alam, Satwik Kundu, Rasit Onur Topaloglu, Swaroop Ghosh
- Abstract要約: 量子機械学習(QML)は、画像分類に革命をもたらす可能性がある。
画像分類のための量子古典的ハイブリッドMLモデルに関する2つの提案をレビューする。
本稿では,Quanvolutionにおけるトレーニング可能なフィルタと,画像データセットのCAEに基づく特徴抽出について論じる。
- 参考スコア（独自算出の注目度）: 5.964436882344729
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Image classification is a major application domain for conventional deep
learning (DL). Quantum machine learning (QML) has the potential to
revolutionize image classification. In any typical DL-based image
classification, we use convolutional neural network (CNN) to extract features
from the image and multi-layer perceptron network (MLP) to create the actual
decision boundaries. On one hand, QML models can be useful in both of these
tasks. Convolution with parameterized quantum circuits (Quanvolution) can
extract rich features from the images. On the other hand, quantum neural
network (QNN) models can create complex decision boundaries. Therefore,
Quanvolution and QNN can be used to create an end-to-end QML model for image
classification. Alternatively, we can extract image features separately using
classical dimension reduction techniques such as, Principal Components Analysis
(PCA) or Convolutional Autoencoder (CAE) and use the extracted features to
train a QNN. We review two proposals on quantum-classical hybrid ML models for
image classification namely, Quanvolutional Neural Network and dimension
reduction using a classical algorithm followed by QNN. Particularly, we make a
case for trainable filters in Quanvolution and CAE-based feature extraction for
image datasets (instead of dimension reduction using linear transformations
such as, PCA). We discuss various design choices, potential opportunities, and
drawbacks of these models. We also release a Python-based framework to create
and explore these hybrid models with a variety of design choices.
- Abstract（参考訳）: 画像分類は従来のディープラーニング(DL)における主要な応用分野である。
量子機械学習(QML)は、画像分類に革命をもたらす可能性がある。
典型的なDLベースの画像分類では、畳み込みニューラルネットワーク(CNN)を用いて画像と多層パーセプトロンネットワーク(MLP)から特徴を抽出し、実際の決定境界を作成する。
一方、qmlモデルはこれらの両方のタスクで有用である。
パラメータ化量子回路(Quanvolution)との畳み込みは、画像からリッチな特徴を抽出することができる。
一方、量子ニューラルネットワーク(QNN)モデルは複雑な決定境界を作ることができる。
したがって、QuanvolutionとQNNは、画像分類のためのエンドツーエンドQMLモデルを作成するために使用できる。
あるいは、PCA(Principal Components Analysis)やCAE(Convolutional Autoencoder)といった古典的な次元削減技術を用いて、画像の特徴を別々に抽出し、抽出した特徴を用いてQNNを訓練することができる。
画像分類のための量子古典的ハイブリッドMLモデル、すなわちクオン進化ニューラルネットワークと古典的アルゴリズムとQNNを用いた次元削減に関する2つの提案をレビューする。
特に、画像データセットのQuanvolutionにおけるトレーニング可能なフィルタとCAEに基づく特徴抽出(PCAのような線形変換を用いて次元を縮小する代わりに)を例に挙げる。
我々は,これらのモデルの多様な設計選択,可能性,欠点について論じる。
また、さまざまな設計選択でこれらのハイブリッドモデルを作成し、探求するためのPythonベースのフレームワークもリリースしています。
関連論文リスト
- Quantum convolutional neural networks for jet images classification [0.0]
本稿では,高エネルギー物理学における量子機械学習の性能について述べる。
このタスクには量子畳み込みニューラルネットワーク(QCNN)を使用し、その性能をCNNと比較する。
以上の結果から,適切な設定のQCNNの方が,CNNよりも優れた性能を示す傾向が示唆された。
論文 参考訳（メタデータ） (2024-08-16T12:28:10Z) - Hybrid Quantum Neural Network Structures for Image Multi-classification [0.0]
2つの最近の画像分類手法が登場し、1つはPCA次元の縮小と角度符号化を採用し、もう1つはQNNをCNNに統合して性能を向上させる。
本研究では、これらのアルゴリズムの性能をマルチクラス画像分類において検討し、現在の環境に適した最適化されたハイブリッド量子ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-30T12:48:05Z) - Permutation Equivariant Neural Functionals [92.0667671999604]
この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。
隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。
実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
論文 参考訳（メタデータ） (2023-02-27T18:52:38Z) - Hybrid Quantum-Classical Generative Adversarial Network for High
Resolution Image Generation [14.098992977726942]
量子機械学習(QML)は、古典的な機械学習手法を様々な問題で上回る可能性を秘め、注目を集めている。
QML手法のサブクラスは量子生成逆数ネットワーク(QGAN)であり、古典的なGANの量子対数として研究されている。
ここでは、古典的および量子的手法を統合し、新しいハイブリッド量子古典的GANフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-22T11:18:35Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳（メタデータ） (2022-03-21T14:53:57Z) - 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) - Quantum Enhanced Filter: QFilter [0.0]
本稿では,量子および古典計算を利用するハイブリッド画像分類モデルを提案する。
この方法は、畳み込みネットワークが人工知能で示した可能性を利用する。
論文 参考訳（メタデータ） (2021-04-07T22:20:20Z) - Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。
本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。
その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文 参考訳（メタデータ） (2020-12-15T22:58:23Z) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
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。
論文 参考訳（メタデータ） (2020-10-26T03:36:01Z) - Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。
非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。
我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文 参考訳（メタデータ） (2020-06-25T17:59:44Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳（メタデータ） (2020-06-22T11:41:57Z)
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。