論文の概要: Study of Feature Importance for Quantum Machine Learning Models
- arxiv url: http://arxiv.org/abs/2202.11204v2
- Date: Thu, 24 Feb 2022 14:57:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 17:39:54.711807
- Title: Study of Feature Importance for Quantum Machine Learning Models
- Title（参考訳）: 量子機械学習モデルにおける特徴の重要性に関する研究
- Authors: Aaron Baughman, Kavitha Yogaraj, Raja Hebbar, Sudeep Ghosh, Rukhsan Ul
Haq, Yoshika Chhabra
- Abstract要約: 予測器の重要性は、古典的および量子機械学習(QML)におけるデータ前処理パイプラインの重要な部分である
この研究は、QMLモデルの特徴的重要性を探求し、彼らの古典的機械学習(CML)と対比した最初の研究である。
我々はQMLモデルを訓練し、実世界のデータセット上で古典的アルゴリズムから特徴的重要度を計算するハイブリッド量子古典的アーキテクチャを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Predictor importance is a crucial part of data preprocessing pipelines in
classical and quantum machine learning (QML). This work presents the first
study of its kind in which feature importance for QML models has been explored
and contrasted against their classical machine learning (CML) equivalents. We
developed a hybrid quantum-classical architecture where QML models are trained
and feature importance values are calculated from classical algorithms on a
real-world dataset. This architecture has been implemented on ESPN Fantasy
Football data using Qiskit statevector simulators and IBM quantum hardware such
as the IBMQ Mumbai and IBMQ Montreal systems. Even though we are in the Noisy
Intermediate-Scale Quantum (NISQ) era, the physical quantum computing results
are promising. To facilitate current quantum scale, we created a data tiering,
model aggregation, and novel validation methods. Notably, the feature
importance magnitudes from the quantum models had a much higher variation when
contrasted to classical models. We can show that equivalent QML and CML models
are complementary through diversity measurements. The diversity between QML and
CML demonstrates that both approaches can contribute to a solution in different
ways. Within this paper we focus on Quantum Support Vector Classifiers (QSVC),
Variational Quantum Circuit (VQC), and their classical counterparts. The ESPN
and IBM fantasy footballs Trade Assistant combines advanced statistical
analysis with the natural language processing of Watson Discovery to serve up
personalized trade recommendations that are fair and proposes a trade. Here,
player valuation data of each player has been considered and this work can be
extended to calculate the feature importance of other QML models such as
Quantum Boltzmann machines.
- Abstract（参考訳）: 予測器の重要性は、古典的および量子機械学習(QML)におけるデータ前処理パイプラインの重要な部分である。
この研究は、QMLモデルの特徴的重要性を探求し、彼らの古典的機械学習(CML)と対比した最初の研究である。
我々はQMLモデルを訓練し、実世界のデータセット上で古典的アルゴリズムから特徴重要度を計算するハイブリッド量子古典アーキテクチャを開発した。
このアーキテクチャは、Qiskit状態ベクトルシミュレータとIBMQ MumbaiやIBMQ MontrealシステムのようなIBM量子ハードウェアを用いてESPN Fantasy Footballデータ上に実装されている。
ノイズの中間スケール量子(NISQ)時代にはありますが、物理量子コンピューティングの結果は有望です。
現在の量子スケールを容易にするため、我々はデータ階層化、モデル集約、新しい検証方法を開発した。
特に、量子モデルの特徴的重要性の程度は、古典的モデルと対照的に、はるかに高いばらつきを持っていた。
等価QMLモデルとCMLモデルは多様性の測定によって相補的であることを示すことができる。
QMLとCMLの多様性は、どちらのアプローチも異なる方法でソリューションに貢献できることを示している。
本稿では,量子支援ベクトル分類器(QSVC),変分量子回路(VQC),およびそれらの古典的手法に着目した。
ESPNとIBMのファンタジーフットボールのTrade Assistantは、高度な統計分析とWatson Discoveryの自然言語処理を組み合わせて、公正で取引を提案するパーソナライズされた貿易レコメンデーションを提供する。
ここでは、各プレイヤーのプレーヤー評価データが検討され、量子ボルツマンマシンのような他のQMLモデルの特徴的重要性を計算するためにこの作業を拡張することができる。
関連論文リスト
- Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。
本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
論文 参考訳（メタデータ） (2024-11-14T12:27:50Z) - Security Concerns in Quantum Machine Learning as a Service [2.348041867134616]
量子機械学習(Quantum Machine Learning、QML)は、変分量子回路(VQC)を用いて機械学習タスクに取り組むアルゴリズムのカテゴリである。
近年の研究では、限られたトレーニングデータサンプルからQMLモデルを効果的に一般化できることが示されている。
QMLは、古典的および量子コンピューティングリソースの両方を利用するハイブリッドモデルである。
論文 参考訳（メタデータ） (2024-08-18T18:21:24Z) - The Quantum Imitation Game: Reverse Engineering of Quantum Machine Learning Models [2.348041867134616]
量子機械学習(QML)は、機械学習モデルと量子コンピューティングのパラダイムを融合させる。
量子コンピューティングのNoisy Intermediate-Scale Quantum(NISQ)時代における多くのサードパーティベンダーの拡大により、QMLモデルのセキュリティが最重要となる。
我々は、信頼できない量子クラウドプロバイダが、推論中にトランスパイルされたユーザ設計のトレーニングされたQMLモデルにホワイトボックスアクセスを持つ敵であると仮定する。
論文 参考訳（メタデータ） (2024-07-09T21:35:19Z) - Feature Importance and Explainability in Quantum Machine Learning [0.0]
多くの機械学習(ML)モデルはブラックボックスモデルと呼ばれ、なぜ予測されるのかについて本当の洞察を与えていない。
本稿では、古典的MLモデルと比較して量子機械学習(QML)の特徴的重要性と説明可能性について考察する。
論文 参考訳（メタデータ） (2024-05-14T19:12:32Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - 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) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳（メタデータ） (2022-02-17T09:55:21Z) - Subtleties in the trainability of quantum machine learning models [0.0]
本稿では,変分量子アルゴリズムの勾配スケーリング結果を用いて,量子機械学習モデルの勾配スケーリングについて検討する。
以上の結果から,VQAトレーサビリティの低下がQMLのバレンプラトーなどの問題を引き起こす可能性が示唆された。
論文 参考訳（メタデータ） (2021-10-27T20:28:53Z) - Entangled Datasets for Quantum Machine Learning [0.0]
代わりに量子状態からなる量子データセットを使うべきだと我々は主張する。
NTangledデータセットの状態を生成するために量子ニューラルネットワークをどのように訓練するかを示す。
また、拡張性があり、量子回路によって準備された状態で構成される、別の絡み合いベースのデータセットについても検討する。
論文 参考訳（メタデータ） (2021-09-08T02:20:13Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z)
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。