論文の概要: Classical-to-Quantum Transfer Learning for Spoken Command Recognition
Based on Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2110.08689v1
- Date: Sun, 17 Oct 2021 00:45:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 08:57:08.932968
- Title: Classical-to-Quantum Transfer Learning for Spoken Command Recognition
Based on Quantum Neural Networks
- Title（参考訳）: 量子ニューラルネットワークに基づく音声コマンド認識のための古典-量子変換学習
- Authors: Jun Qi, Javier Tejedor
- Abstract要約: 本研究では、音声コマンド認識(SCR)のための新しいハイブリッドエンドツーエンド量子ニューラルネットワーク(QNN)への機械学習アルゴリズム適用による転送学習の拡張について検討する。
我々は,事前学習した古典的ネットワークを,ハイブリッドQNNモデルの古典的部分に転送するハイブリッドトランスファー学習アルゴリズムを提案する。
Google音声コマンドデータセット上で,SCR用ハイブリッド古典量子QNNに適用したハイブリッドトランスファー学習アルゴリズムを評価する。
- 参考スコア（独自算出の注目度）: 13.485144642413907
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work investigates an extension of transfer learning applied in machine
learning algorithms to the emerging hybrid end-to-end quantum neural network
(QNN) for spoken command recognition (SCR). Our QNN-based SCR system is
composed of classical and quantum components: (1) the classical part mainly
relies on a 1D convolutional neural network (CNN) to extract speech features;
(2) the quantum part is built upon the variational quantum circuit with a few
learnable parameters. Since it is inefficient to train the hybrid end-to-end
QNN from scratch on a noisy intermediate-scale quantum (NISQ) device, we put
forth a hybrid transfer learning algorithm that allows a pre-trained classical
network to be transferred to the classical part of the hybrid QNN model. The
pre-trained classical network is further modified and augmented through jointly
fine-tuning with a variational quantum circuit (VQC). The hybrid transfer
learning methodology is particularly attractive for the task of QNN-based SCR
because low-dimensional classical features are expected to be encoded into
quantum states. We assess the hybrid transfer learning algorithm applied to the
hybrid classical-quantum QNN for SCR on the Google speech command dataset, and
our classical simulation results suggest that the hybrid transfer learning can
boost our baseline performance on the SCR task.
- Abstract（参考訳）: 本研究では、音声コマンド認識(SCR)のための新しいハイブリッドエンドツーエンド量子ニューラルネットワーク(QNN)への機械学習アルゴリズムの適用範囲の拡張について検討する。
古典部は主に1次元畳み込みニューラルネットワーク(cnn)に依存して音声の特徴を抽出する。(2)量子部はいくつかの学習可能なパラメータを持つ変分量子回路上に構築されている。
ノイズの多い中間スケール量子(NISQ)デバイス上で、ハイブリッドQNNをスクラッチからトレーニングするのは非効率であるため、事前学習された古典的ネットワークをハイブリッドQNNモデルの古典的部分に移行させるハイブリッドトランスファー学習アルゴリズムを提案する。
事前訓練された古典的ネットワークは、変分量子回路(VQC)との共同微調整により、さらに修正および拡張される。
低次元の古典的特徴が量子状態に符号化されることが期待されているため、ハイブリッドトランスファー学習手法はQNNベースのSCRの課題にとって特に魅力的である。
Google音声コマンドデータセット上で、SCR用ハイブリッド古典量子QNNに適用されたハイブリッドトランスファー学習アルゴリズムを評価し、従来のシミュレーション結果から、ハイブリッドトランスファー学習がSCRタスクのベースライン性能を向上させることが示唆された。
関連論文リスト
- A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Bridging Classical and Quantum Machine Learning: Knowledge Transfer From
Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。
我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。
量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
論文 参考訳（メタデータ） (2023-11-23T05:06:43Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z) - Classical-to-quantum convolutional neural network transfer learning [1.9336815376402723]
量子畳み込みニューラルネットワーク(QCNN)を用いた機械学習は、量子データ分類と古典データ分類の両方で成功している。
ノイズの多い中規模量子時代に小さなQCNNを利用するための効果的な方法として転送学習を提案する。
論文 参考訳（メタデータ） (2022-08-31T09:15:37Z) - QDCNN: Quantum Dilated Convolutional Neural Network [1.52292571922932]
量子拡張畳み込みニューラルネットワーク(QDCNN)と呼ばれる新しいハイブリッド量子古典型アルゴリズムを提案する。
提案手法は,現代のディープラーニングアルゴリズムに広く応用されている拡張畳み込みの概念を,ハイブリッドニューラルネットワークの文脈にまで拡張する。
提案したQDCNNは,量子畳み込み過程において,計算コストを低減しつつ,より大きなコンテキストを捉えることができる。
論文 参考訳（メタデータ） (2021-10-29T10:24:34Z) - 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) - Hybrid quantum-classical classifier based on tensor network and
variational quantum circuit [0.0]
本稿では、量子インスパイアされたテンソルネットワーク(TN)と変分量子回路(VQC)を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。
低結合次元の行列積状態に基づくTNは、MNISTデータセットのバイナリ分類において、VQCの入力のためのデータを圧縮する特徴抽出器としてPCAよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-30T09:43:59Z) - 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) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
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。