論文の概要: Application of Quantum Density Matrix in Classical Question Answering
and Classical Image Classification
- arxiv url: http://arxiv.org/abs/2203.11155v1
- Date: Wed, 16 Mar 2022 12:23:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 05:12:32.236532
- Title: Application of Quantum Density Matrix in Classical Question Answering
and Classical Image Classification
- Title(参考訳): 量子密度行列の古典的質問応答と古典的画像分類への応用
- Authors: X. Q. Zhao, H. Wan, H. Chen, L. Su, Z. L. Huang, L. Z. Li
- Abstract要約: 古典的質問応答タスクに量子密度行列を適用することで、より効果的な性能が得られると論じる。
一連の実験により、画像分類における量子密度行列の応用は、異なるデータセットに対する一般化と高効率性を有することが示された。
- 参考スコア(独自算出の注目度): 0.07117593004982078
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantum density matrix represents all the information of the entire quantum
system, and novel models of meaning employing density matrices naturally model
linguistic phenomena such as hyponymy and linguistic ambiguity, among others in
quantum question answering tasks. Naturally, we argue that applying the quantum
density matrix into classical Question Answering (QA) tasks can show more
effective performance. Specifically, we (i) design a new mechanism based on
Long Short-Term Memory (LSTM) to accommodate the case when the inputs are
matrixes; (ii) apply the new mechanism to QA problems with Convolutional Neural
Network (CNN) and gain the LSTM-based QA model with the quantum density matrix.
Experiments of our new model on TREC-QA and WIKI-QA data sets show encouraging
results. Similarly, we argue that the quantum density matrix can also enhance
the image feature information and the relationship between the features for the
classical image classification. Thus, we (i) combine density matrices and CNN
to design a new mechanism; (ii) apply the new mechanism to some representative
classical image classification tasks. A series of experiments show that the
application of quantum density matrix in image classification has the
generalization and high efficiency on different datasets. The application of
quantum density matrix both in classical question answering tasks and classical
image classification tasks show more effective performance.
- Abstract(参考訳): 量子密度行列(Quantum density matrix)は、量子系の全ての情報を表し、密度行列を用いた新しいモデルでは、量子問題応答タスクにおいて、仮説や言語的あいまいさなどの言語現象を自然にモデル化する。
自然に、量子密度行列を古典的質問応答(QA)タスクに適用すると、より効果的な性能が得られると論じる。
具体的には
(i)入力が行列である場合に対応するため、LSTM(Long Short-Term Memory)に基づく新しいメカニズムを設計すること。
(2)畳み込みニューラルネットワーク(CNN)のQA問題に適用し,量子密度行列を用いたLSTMに基づくQAモデルを得る。
TREC-QAデータセットとWIKI-QAデータセットの新たなモデルによる実験結果が得られた。
同様に、量子密度行列は、画像特徴情報と古典的な画像分類の特徴との関係性を高めることができると論じる。
ですから私たちは
i) 密度行列とCNNを組み合わせて新しい機構を設計すること。
(ii)代表的古典的画像分類課題に新たなメカニズムを適用する。
一連の実験により、画像分類における量子密度行列の応用は、異なるデータセットに対する一般化と高効率性を有することが示された。
古典的質問応答課題と古典的画像分類課題の両方における量子密度行列の適用は、より効果的な性能を示す。
関連論文リスト
- Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳(メタデータ) (2024-02-25T16:57:51Z) - A Survey of Classical And Quantum Sequence Models [3.442372522693843]
本稿では,古典的自己アテンションモデルとその量子モデルの比較分析を行う。
我々はこれらの既存手法の重要代表集合を再実装し、量子自己アテンションを用いた画像分類アプローチを適用して量子ハイブリッドトランスを作成する。
また、異なる符号化手法を探求し、位置符号化を量子自己認識ニューラルネットワークに導入することにより、テキストと画像の分類実験における精度の向上とより高速な収束を実現する。
論文 参考訳(メタデータ) (2023-12-15T22:21:26Z) - Hybrid quantum transfer learning for crack image classification on NISQ
hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。
我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文 参考訳(メタデータ) (2023-07-31T14:45:29Z) - Dequantizing quantum machine learning models using tensor networks [0.0]
本稿では,変分量子機械学習(VQML)モデルの関数クラスの復号性について紹介する。
我々の定式化は、VQMLモデルの真の量子特性に応じて適切に区別できることを示す。
論文 参考訳(メタデータ) (2023-07-13T17:56:20Z) - 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) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - 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) - Photonic Quantum Computing For Polymer Classification [62.997667081978825]
2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。
高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2022-11-22T11:59:52Z) - Clustering and enhanced classification using a hybrid quantum
autoencoder [0.0]
本稿では,量子状態から情報を抽出する手法を提案する。
この変分QMLアルゴリズムは、それらの重要な識別特性を識別し、古典的に表現することを学ぶ。
HQAモデルの解析と利用は振幅符号化状態の文脈で述べる。
論文 参考訳(メタデータ) (2021-07-26T06:50:31Z) - Facial Expression Recognition on a Quantum Computer [68.8204255655161]
量子機械学習手法を用いて表情認識の可能な解を示す。
適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
論文 参考訳(メタデータ) (2021-02-09T13:48:00Z)
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。