論文の概要: Coreset of Hyperspectral Images on Small Quantum Computer

• arxiv url: http://arxiv.org/abs/2204.04691v1
• Date: Sun, 10 Apr 2022 14:14:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 11:37:03.334658
• Title: Coreset of Hyperspectral Images on Small Quantum Computer
• Title（参考訳）: 小量子コンピュータ上のハイパースペクトル画像のコアセット
• Authors: Soronzonbold Otgonbaatar, Mihai Datcu, Beg\"um Demir
• Abstract要約: 私たちは、この小さなD-Wave QA上でSVMをトレーニングするために、与えられたEOデータのコアセット(データセットのコア)を使用します。 Kullback-Leibler (KL) 偏差測定を用いて, 元のデータセットとそのコアセット間の近接度を測定した。
• 参考スコア（独自算出の注目度）: 3.8637821835441732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning (ML) techniques are employed to analyze and process big Remote Sensing (RS) data, and one well-known ML technique is a Support Vector Machine (SVM). An SVM is a quadratic programming (QP) problem, and a D-Wave quantum annealer (D-Wave QA) promises to solve this QP problem more efficiently than a conventional computer. However, the D-Wave QA cannot solve directly the SVM due to its very few input qubits. Hence, we use a coreset ("core of a dataset") of given EO data for training an SVM on this small D-Wave QA. The coreset is a small, representative weighted subset of an original dataset, and any training models generate competitive classes by using the coreset in contrast to by using its original dataset. We measured the closeness between an original dataset and its coreset by employing a Kullback-Leibler (KL) divergence measure. Moreover, we trained the SVM on the coreset data by using both a D-Wave QA and a conventional method. We conclude that the coreset characterizes the original dataset with very small KL divergence measure. In addition, we present our KL divergence results for demonstrating the closeness between our original data and its coreset. As practical RS data, we use Hyperspectral Image (HSI) of Indian Pine, USA.
• Abstract（参考訳）: 機械学習(ML)技術は、大きなリモートセンシング(RS)データを分析・処理するために使用され、有名なML技術はサポートベクトルマシン(SVM)である。 SVMは二次プログラミング(QP)問題であり、D波量子アニール(D-Wave quantum annealer、D-Wave QA)はこのQP問題を従来のコンピュータよりも効率的に解くことを約束する。 しかし、D-Wave QAは入力キュービットが少ないため、直接SVMを解くことはできない。 したがって、この小さなD-Wave QA上でSVMをトレーニングするために、与えられたEOデータのコアセット(データセットのコア)を使用します。 coresetはオリジナルデータセットの小さな、代表的な重み付きサブセットであり、トレーニングモデルでは、オリジナルのデータセットを使用するのとは対照的に、coresetを使用して競合クラスを生成する。 Kullback-Leibler (KL) 分散測定を用いて, 元のデータセットとコアセットの近接性を測定した。 さらに、D-Wave QAと従来の手法の両方を用いてコアセットデータに基づいてSVMを訓練した。 コアセットは、元のデータセットを非常に小さなklダイバージェンス測度で特徴付けると結論づける。 さらに,本論文では,元のデータとコアセットの近接性を示すために,KL分散結果を示す。 実用的なRSデータとして、アメリカ・インディアンパインのハイパースペクトル画像(HSI)を用いる。

関連論文リスト

• Big data applications on small quantum computers [0.0]
  コアセットは大きなデータセットの簡潔な記述を可能にし、計算タスクにおけるそのソリューションは、元のデータセットのソリューションと競合する。 本稿では,3種類の古典的機械学習問題,すなわちDivisive Clustering, 3-means Clustering, Gaussian Model Clusteringに適用する。 提案手法は古典的解法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-02-02T16:15:55Z)
• VoxelKP: A Voxel-based Network Architecture for Human Keypoint Estimation in LiDAR Data [53.638818890966036]
  textitVoxelKPは、LiDARデータにおける人間のキーポイント推定に適した、完全にスパースなネットワークアーキテクチャである。 本研究では,人間の各インスタンス内のキーポイント間の空間的相関を学習するために,スパースボックスアテンションを導入する。 鳥の視線を符号化する2次元格子に3次元ボクセルを投影する際に, 絶対的な3次元座標を利用するために空間符号化を組み込んだ。
  論文  参考訳（メタデータ） (2023-12-11T23:50:14Z)
• Dataset Quantization [72.61936019738076]
  大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
  論文  参考訳（メタデータ） (2023-08-21T07:24:29Z)
• Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel [0.0]
  異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。 本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。 量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
  論文  参考訳（メタデータ） (2023-08-01T15:00:14Z)
• Combining Primal and Dual Representations in Deep Restricted Kernel Machines Classifiers [17.031744210104556]
  KPCAの目的と分類レベルを結合したDRKM分類法を提案する。 分類レベルは LSSVM あるいはプリミティブな特徴マップとして定式化でき、レベルとレイヤの深さを組み合わせられる。 開発したアルゴリズムは,高次元データを用いた畳み込みニューラルネットワーク(CNN)よりも少ないメモリで,小さなデータセットから効果的に学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-12T10:39:57Z)
• Multiscale Convolutional Transformer with Center Mask Pretraining for Hyperspectral Image Classificationtion [14.33259265286265]
  本稿では,空間スペクトル情報の効率的な抽出を実現するために,高スペクトル画像(HSI)のための高速多スケール畳み込みモジュールを提案する。 マスクオートエンコーダと同様に、我々の事前学習法は、エンコーダ内の中央画素の対応するトークンのみをマスクし、残りのトークンをデコーダに入力し、中央画素のスペクトル情報を再構成する。
  論文  参考訳（メタデータ） (2022-03-09T14:42:26Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• Neural Distributed Source Coding [59.630059301226474]
  相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。 提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
  論文  参考訳（メタデータ） (2021-06-05T04:50:43Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• On Coresets for Support Vector Machines [61.928187390362176]
  coresetは、元のデータポイントの小さな、代表的なサブセットである。 我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-15T23:25:12Z)

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。