論文の概要: Deterministic Tensor Network Classifiers
- arxiv url: http://arxiv.org/abs/2205.09768v1
- Date: Thu, 19 May 2022 18:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-12 15:35:51.052946
- Title: Deterministic Tensor Network Classifiers
- Title（参考訳）: 決定論的テンソルネットワーク分類器
- Authors: L. Wright, F. Barratt, J. Dborin, V. Wimalaweera, B. Coyle, A. G.
Green
- Abstract要約: テンソルネットワークは決定論的に初期化され、短期中規模量子(NISQ)デバイスに実装される可能性がある。
特徴抽出は、$log N_textpixels$ qubitsで振幅符号化されたイメージを直接組み合わせて圧縮する。
性能は、構造によらず任意の分類器の予測に適用できる決定論的手法であるQuantum Stackingを用いて改善される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present tensor networks for feature extraction and refinement of
classifier performance. These networks can be initialised deterministically and
have the potential for implementation on near-term intermediate-scale quantum
(NISQ) devices. Feature extraction proceeds through a direct combination and
compression of images amplitude-encoded over just $\log N_{\text{pixels}}$
qubits. Performance is refined using `Quantum Stacking', a deterministic method
that can be applied to the predictions of any classifier regardless of
structure, and implemented on NISQ devices using data re-uploading. These
procedures are applied to a tensor network encoding of data, and benchmarked
against the 10 class MNIST and fashion MNIST datasets. Good training and test
accuracy are achieved without any variational training.
- Abstract（参考訳）: 本稿では,特徴抽出と分類器の性能改善のためのテンソルネットワークを提案する。
これらのネットワークは決定論的に初期化することができ、短期中規模量子(NISQ)デバイスに実装する可能性がある。
特徴抽出は、$\log N_{\text{pixels}}$ qubits上で振幅エンコードされたイメージを直接組み合わせて圧縮する。
性能は、構造によらず任意の分類器の予測に適用可能な決定論的手法である‘Quantum Stacking’を用いて改善され、データ再アップロードを用いてNISQデバイスに実装される。
これらの手順はデータのテンソルネットワークエンコーディングに適用され、10種類のmnistとファッションmnistデータセットに対してベンチマークされる。
優れたトレーニングとテスト精度は、変分トレーニングなしで達成される。
関連論文リスト
- Novel Deep Neural Network Classifier Characterization Metrics with Applications to Dataless Evaluation [1.6574413179773757]
本研究では、サンプルデータセットを使わずに、ディープニューラルネットワーク(DNN)分類器のトレーニング品質を評価する。
CAFIR10およびCAFIR100データセットを用いて学習したResNet18の手法に関する実証的研究により、DNN分類器のデータレス評価が実際に可能であることを確認した。
論文 参考訳（メタデータ） (2024-07-17T20:40:46Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-17T06:29:07Z) - Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution
Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。
本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。
バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。
We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文 参考訳（メタデータ） (2022-06-26T16:00:22Z) - Robustness Analysis of Classification Using Recurrent Neural Networks
with Perturbed Sequential Input [17.856384200209806]
分類タスクを実行するために訓練された安定したリカレントニューラルネットワーク(RNN)に対して、トレーニング可能な重み行列の関数として明示的境界を定量化する。
分類タスクの完全精度を保証しつつ、許容可能な最大摂動を徹底的に分析し、特徴付ける。
論文 参考訳（メタデータ） (2022-03-10T14:57:40Z) - QNNVerifier: A Tool for Verifying Neural Networks using SMT-Based Model
Checking [2.140126541785805]
QNNVerifierは、ニューラルネットワークの実装を検証する最初のオープンソースツールである。
これは、ニューラルネットワークの実装を、満足度変調理論(SMT)に基づく一階述語論理の決定可能な断片に変換する。
これにより、安否確認プロパティを指定し、異なる検証戦略で結果のモデルを検証することができる。
論文 参考訳（メタデータ） (2021-11-25T14:55:40Z) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - Adaptive Nearest Neighbor Machine Translation [60.97183408140499]
kNN-MTは、事前訓練されたニューラルネットワーク翻訳とトークンレベルのk-nearest-neighbor検索を組み合わせる。
従来のkNNアルゴリズムは、ターゲットトークンごとに同じ数の近傍を検索する。
ターゲットトークン毎のk個数を動的に決定する適応的kNN-MTを提案する。
論文 参考訳（メタデータ） (2021-05-27T09:27:42Z) - Entangled q-Convolutional Neural Nets [0.0]
機械学習モデル、q-CNNモデルを導入し、畳み込みニューラルネットワークと主要な機能を共有し、テンソルネットワーク記述を認めます。
例として、MNISTおよびFashion MNIST分類タスクにq-CNNを適用する。
ネットワークが各分類ラベルに量子状態をどのように関連付けるかを説明し、これらのネットワーク状態の絡み合い構造を研究する。
論文 参考訳（メタデータ） (2021-03-06T02:35:52Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳（メタデータ） (2020-04-17T19:12:39Z) - File Classification Based on Spiking Neural Networks [0.5065947993017157]
スパイクニューラルネットワーク(SNN)に基づく大規模データセットにおけるファイル分類システムを提案する。
提案システムは、推論タスクに対する古典的機械学習アルゴリズムの代替として有効なものである可能性がある。
論文 参考訳（メタデータ） (2020-04-08T11:50:29Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳（メタデータ） (2020-02-03T04:11:13Z)
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。