Fugu-MT 論文翻訳(概要): AutoQML: Automated Quantum Machine Learning for Wi-Fi Integrated Sensing and Communications

論文の概要: AutoQML: Automated Quantum Machine Learning for Wi-Fi Integrated Sensing and Communications

arxiv url: http://arxiv.org/abs/2205.09115v1
Date: Tue, 17 May 2022 19:38:13 GMT
ステータス: 処理完了
システム内更新日: 2022-05-20 14:32:19.324728
Title: AutoQML: Automated Quantum Machine Learning for Wi-Fi Integrated Sensing and Communications
Title（参考訳）: AutoQML:Wi-Fi統合センシングと通信のための量子機械学習
Authors: Toshiaki Koike-Akino, Pu Wang, Ye Wang
Abstract要約: 商用Wi-Fiデバイスは、データを共同で交換し、屋内環境を監視するためにISAC(Integrated Sensent and Communication)に使用できる。本稿では,自動量子機械学習フレームワークであるAutoAnsatzを用いて,人間のジェスチャーを認識する概念実証手法について検討する。
参考スコア（独自算出の注目度）: 19.06876644658677
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Commercial Wi-Fi devices can be used for integrated sensing and communications (ISAC) to jointly exchange data and monitor indoor environment. In this paper, we investigate a proof-of-concept approach using automated quantum machine learning (AutoQML) framework called AutoAnsatz to recognize human gesture. We address how to efficiently design quantum circuits to configure quantum neural networks (QNN). The effectiveness of AutoQML is validated by an in-house experiment for human pose recognition, achieving state-of-the-art performance greater than 80% accuracy for a limited data size with a significantly small number of trainable parameters.
Abstract（参考訳）: 商用Wi-Fiデバイスは、データ交換と屋内環境の監視にISAC(Integrated Sensent and Communication)を使用することができる。本稿では,AutoAnsatzと呼ばれる自動量子機械学習(AutoQML)フレームワークを用いた概念実証手法について検討する。量子ニューラルネットワーク(QNN)を構成するために量子回路を効率的に設計する方法に対処する。 AutoQMLの有効性は、人間のポーズ認識のための社内実験によって検証され、訓練可能なパラメータが著しく少ない限られたデータサイズに対して80%以上の精度で最先端の性能を達成する。

関連論文リスト

Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術はプライバシーセキュリティ情報整合性に課題をもたらす本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-11T20:52:10Z)
Training-efficient density quantum machine learning [2.918930150557355]
量子機械学習は強力でフレキシブルで効率的にトレーニング可能なモデルを必要とする。トレーニング可能なユニタリの集合にランダム化を組み込んだ学習モデルである密度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） (2024-05-30T16:40:28Z)
Fast Quantum Convolutional Neural Networks for Low-Complexity Object Detection in Autonomous Driving Applications [18.34157974553066]
量子畳み込みに基づく物体検出(QCOD)を提案し,高速に物体検出を行う。 QCODは、提案した高速量子畳み込みを利用して、入力チャネル情報をアップロードし、出力チャネルを再構築する。 KITTI自律走行物体検出データセットを用いた実験により,提案した高速量子畳み込みとQCODが実物体検出アプリケーションで正常に動作することを確認した。
論文参考訳（メタデータ） (2023-12-28T00:38:10Z)
Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-21T21:40:47Z)
Quantum Transfer Learning for Wi-Fi Sensing [19.06876644658677]
我々は、Wi-Fi設定や環境が時間とともに変化するとき、人間の監視タスクにおけるドメインシフトを軽減するための転送学習について検討する。概念実証研究として、量子ニューラルネットワーク(QNN)と古典的深層ニューラルネットワーク(DNN)を将来の量子可読社会として検討する。
論文参考訳（メタデータ） (2022-05-17T19:16:21Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
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)
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)
SeQUeNCe: A Customizable Discrete-Event Simulator of Quantum Networks [53.56179714852967]
この研究は、包括的でカスタマイズ可能な量子ネットワークシミュレータであるSeQUeNCeを開発した。本研究では,9つのルータに量子メモリを具備したフォトニック量子ネットワークをシミュレートし,SeQUeNCeの利用を実証する。オープンソースツールとしてSeQUeNCeをリリースしています。
論文参考訳（メタデータ） (2020-09-25T01:52:15Z)
End-to-End Quantum Machine Learning Implemented with Controlled Quantum Dynamics [0.9599644507730106]
この研究は、ハードウェアフレンドリーなエンドツーエンドの量子機械学習スキームを示し、不完全な短期中規模量子(NISQ)プロセッサで実装できる。この提案では,機械学習タスクを制御量子力学の最適化に変換し,学習モデルを実験的に調整可能な制御変数によってパラメータ化する。我々の設計では、エージェント制御変数を介して生の入力を量子状態に符号化することで、自動的な特徴選択を可能にする。
論文参考訳（メタデータ） (2020-03-30T17:44:51Z)
Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文参考訳（メタデータ） (2020-01-15T18:36:53Z)

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。