論文の概要: Predict better with less training data using a QNN

• arxiv url: http://arxiv.org/abs/2206.03960v1
• Date: Wed, 8 Jun 2022 15:25:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 15:53:34.079736
• Title: Predict better with less training data using a QNN
• Title（参考訳）: QNNを用いたトレーニングデータの少ない予測
• Authors: Barry D. Reese and Marek Kowalik and Christian Metzl and Christian Bauckhage and Eldar Sultanow
• Abstract要約: 従来の画像データを量子状態に効率的にマッピングするクオン進化ニューラルネットワーク(QNN)アルゴリズムについて述べる。 我々は、優れたデータ符号化による利点がある産業アプリケーションに対して、真に量子的な優位性を実証的に観察する。
• 参考スコア（独自算出の注目度）: 1.7481852615249125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, machine learning revolutionized vision-based quality assessment for which convolutional neural networks (CNNs) have now become the standard. In this paper, we consider a potential next step in this development and describe a quanvolutional neural network (QNN) algorithm that efficiently maps classical image data to quantum states and allows for reliable image analysis. We practically demonstrate how to leverage quantum devices in computer vision and how to introduce quantum convolutions into classical CNNs. Dealing with a real world use case in industrial quality control, we implement our hybrid QNN model within the PennyLane framework and empirically observe it to achieve better predictions using much fewer training data than classical CNNs. In other words, we empirically observe a genuine quantum advantage for an industrial application where the advantage is due to superior data encoding.
• Abstract（参考訳）: 過去10年間で、機械学習は視覚ベースの品質評価に革命をもたらし、畳み込みニューラルネットワーク(cnns)が標準になった。 本稿では,従来の画像データを量子状態に効率的にマッピングし,信頼性の高い画像解析を可能にするクオン進化型ニューラルネットワーク(QNN)アルゴリズムについて述べる。 我々は、コンピュータビジョンにおける量子デバイスの利用方法と、古典的なCNNに量子畳み込みを導入する方法について実証する。 産業品質管理における実世界のユースケースに対応して,PennyLaneフレームワーク内にハイブリッドQNNモデルを実装し,従来のCNNよりもはるかに少ないトレーニングデータを用いて,予測精度の向上を実証的に実現した。 言い換えれば、より優れたデータ符号化による利点がある産業アプリケーションに対する真の量子優位性を実証的に観察する。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Impact of Data Augmentation on QCNNs [1.1510009152620664]
  量子畳み込みニューラルネットワーク(QCNN)は,量子機構を用いてCNNの新たな一般化として提案される。 本稿では,CNN と QCNN を比較し,一般的に使用されている3つのデータセットの損失と予測精度をテストする。
  論文  参考訳（メタデータ） (2023-12-01T05:28:19Z)
• A Quantum Convolutional Neural Network Approach for Object Detection and Classification [0.0]
  QCNNの時間と精度は、異なる条件下での古典的なCNNやANNモデルと比較される。 この分析により、QCNNは、特定のアプリケーションにおける精度と効率の点で、古典的なCNNとANNのモデルより優れている可能性が示されている。
  論文  参考訳（メタデータ） (2023-07-17T02:38:04Z)
• Traffic Sign Classification Using Deep and Quantum Neural Networks [0.0]
  量子ニューラルネットワーク(QNN)は、コンピュータビジョンを含む多くのアプリケーションで使用できる新興技術である。 本稿では,ハイブリッド量子古典畳み込みニューラルネットワークを用いた交通信号分類システムを提案する。
  論文  参考訳（メタデータ） (2022-09-30T06:16:03Z)
• On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification [88.31717434938338]
  ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。 この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。 マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
  論文  参考訳（メタデータ） (2021-09-20T12:41:50Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• A Quantum Convolutional Neural Network for Image Classification [7.745213180689952]
  量子畳み込みニューラルネットワーク(QCNN)という新しいニューラルネットワークモデルを提案する。 QCNNは実装可能な量子回路に基づいており、古典的畳み込みニューラルネットワークと同様の構造を持つ。 MNISTデータセットの数値シミュレーションにより,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2021-07-08T06:47:34Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Quantum Optical Convolutional Neural Network: A Novel Image Recognition Framework for Quantum Computing [0.0]
  量子コンピューティングに基づく新しいディープラーニングモデルQuantum Optical Convolutional Neural Network (QOCNN)について報告する。 我々はこの新しいアーキテクチャを、セミナルなLeNetモデルに基づいた従来のCNNと比較した。 ディープラーニングへの量子コンピューティングベースのアプローチへの切り替えは、古典的モデルに匹敵する精度をもたらす可能性があると結論付けている。
  論文  参考訳（メタデータ） (2020-12-19T23:10:04Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• 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)

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。