論文の概要: Boosting Method for Automated Feature Space Discovery in Supervised Quantum Machine Learning Models

• arxiv url: http://arxiv.org/abs/2205.12199v1
• Date: Tue, 24 May 2022 16:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-11 21:54:45.793139
• Title: Boosting Method for Automated Feature Space Discovery in Supervised Quantum Machine Learning Models
• Title（参考訳）: 教師付き量子機械学習モデルにおける特徴空間の自動発見のためのブースティング法
• Authors: Vladimir Rastunkov, Jae-Eun Park, Abhijit Mitra, Brian Quanz, Steve Wood, Christopher Codella, Heather Higgins, Joseph Broz
• Abstract要約: 量子サポートベクトルマシン(QSVM)は、量子カーネル法の研究と応用において重要なツールとなっている。 本稿では、QSVMモデルのアンサンブルの構築と、複数のデータセット間での性能改善を評価するための強化手法を提案する。
• 参考スコア（独自算出の注目度）: 2.9419410749069255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Support Vector Machines (QSVM) have become an important tool in research and applications of quantum kernel methods. In this work we propose a boosting approach for building ensembles of QSVM models and assess performance improvement across multiple datasets. This approach is derived from the best ensemble building practices that worked well in traditional machine learning and thus should push the limits of quantum model performance even further. We find that in some cases, a single QSVM model with tuned hyperparameters is sufficient to simulate the data, while in others - an ensemble of QSVMs that are forced to do exploration of the feature space via proposed method is beneficial.
• Abstract（参考訳）: 量子サポートベクトルマシン(QSVM)は、量子カーネル法の研究と応用において重要なツールとなっている。 本研究では,QSVMモデルのアンサンブルの構築と,複数のデータセット間での性能向上を評価するための強化手法を提案する。 このアプローチは、従来の機械学習でうまく機能する最高のアンサンブル構築プラクティスに由来するため、量子モデルのパフォーマンスの限界をさらに推し進めるべきである。 あるケースでは、調整されたハイパーパラメータを持つ単一のQSVMモデルがデータをシミュレートするのに十分であるのに対し、別のケースでは、提案手法を介して機能空間の探索を強制されるQSVMのアンサンブルが有用である。

関連論文リスト

• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクに焦点を当てた量子カーネル推定(QKE)と量子カーネルトレーニング(QKT)のベンチマーク研究を行う。 ZZFeatureMapとCovariantFeatureMapという2つの量子特徴写像がこの文脈で分析される。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• Variational Quantum Linear Solver enhanced Quantum Support Vector Machine [3.206157921187139]
  本稿では,変分量子線形解法(VQLS)拡張QSVMを提案する。 NISQ デバイス上での最小二乗SVM の線形方程式系を解くために、変分量子線形解法を利用するという考え方に基づいている。 提案手法の実装は,Irisデータセットを用いた広範囲な数値実験により評価される。
  論文  参考訳（メタデータ） (2023-09-14T14:59:58Z)
• 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)
• 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)
• Enhancing Quantum Support Vector Machines through Variational Kernel Training [0.0]
  本稿では、既存の量子カーネルSVMと量子変分SVMの2つの方法に焦点を当てる。 本稿では,QK-SVMとQV-SVMの強度を相乗化して精度を向上させる手法を提案する。 以上の結果から,QVK-SVMはQMLアプリケーションの信頼性とトランスフォーメーションツールとして大きな可能性を秘めていることがわかった。
  論文  参考訳（メタデータ） (2023-05-10T11:30:43Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• 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)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• MQBench: Towards Reproducible and Deployable Model Quantization Benchmark [53.12623958951738]
  MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。 我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。 包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
  論文  参考訳（メタデータ） (2021-11-05T23:38:44Z)
• Practical application improvement to Quantum SVM: theory to practice [0.9449650062296824]
  量子特徴写像を用いて、データを量子状態に変換し、これらの量子状態からSVMカーネルを構築する。 実験では,データセットの複雑さに関わらず,QSVMがSVMに対して等しく動作することを示す。
  論文  参考訳（メタデータ） (2020-12-14T17:19:17Z)

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。