論文の概要: Performance analysis of coreset selection for quantum implementation of
K-Means clustering algorithm
- arxiv url: http://arxiv.org/abs/2206.07852v1
- Date: Thu, 16 Jun 2022 00:01:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-18 15:37:14.975789
- Title: Performance analysis of coreset selection for quantum implementation of
K-Means clustering algorithm
- Title（参考訳）: K-Meansクラスタリングアルゴリズムの量子実装のためのコアセット選択の性能解析
- Authors: Fanzhe Qu, Sarah M. Erfani, Muhammad Usman
- Abstract要約: コアセットの選択は、精度を損なうことなく、入力データのサイズを減らすことを目的としている。
近年の研究では、コアセットの選択が量子K平均クラスタリング問題の実装に役立つことが示されている。
本稿では,2つのコアセット手法の相対的性能と,各ケースにおけるコアセット構成のサイズを比較した。
また、分極量子ノイズとビットフリップ誤差の影響について検討し、ノイズ効果を上回る量子オートエンコーダ法を実装した。
- 参考スコア（独自算出の注目度）: 15.84585517821099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computing is anticipated to offer immense computational capabilities
which could provide efficient solutions to many data science problems. However,
the current generation of quantum devices are small and noisy, which makes it
difficult to process large data sets relevant for practical problems. Coreset
selection aims to circumvent this problem by reducing the size of input data
without compromising the accuracy. Recent work has shown that coreset selection
can help to implement quantum K-Means clustering problem. However, the impact
of coreset selection on the performance of quantum K-Means clustering has not
been explored. In this work, we compare the relative performance of two coreset
techniques (BFL16 and ONESHOT), and the size of coreset construction in each
case, with respect to a variety of data sets and layout the advantages and
limitations of coreset selection in implementing quantum algorithms. We also
investigated the effect of depolarisation quantum noise and bit-flip error, and
implemented the Quantum AutoEncoder technique for surpassing the noise effect.
Our work provides useful insights for future implementation of data science
algorithms on near-term quantum devices where problem size has been reduced by
coreset selection.
- Abstract（参考訳）: 量子コンピューティングは膨大な計算能力を提供し、多くのデータサイエンス問題に対する効率的な解決策を提供すると期待されている。
しかし、現在の量子デバイスの世代は小さくノイズの多いため、実用的な問題に関連する大規模なデータセットの処理が困難である。
coreset選択は、精度を損なうことなく入力データのサイズを減らすことで、この問題を回避することを目的としている。
近年の研究では、コアセットの選択が量子K平均クラスタリング問題の実装に役立つことが示されている。
しかし,コアセット選択が量子K平均クラスタリングの性能に与える影響については検討されていない。
本研究では,2つのコアセット手法(bfl16とoneshot)の相対的性能と,各ケースにおけるコアセット構築のサイズを比較し,量子アルゴリズムの実装におけるコアセット選択の利点と限界をレイアウトする。
また、非分極量子ノイズとビットフリップ誤差の影響を調査し、ノイズ効果を超える量子オートエンコーダ手法を実装した。
本研究は,コアセット選択によって問題サイズが削減された短期量子デバイス上でのデータサイエンスアルゴリズムを将来実装するための有用な知見を提供する。
関連論文リスト
- Hybrid quantum-classical approach for combinatorial problems at hadron colliders [7.2572969510173655]
粒子物理学実験における問題を解くために量子アルゴリズムの可能性を探る。
大型ハドロン衝突型加速器の完全ハドロンチャネルにおけるトップクォーク対生成について検討した。
量子アルゴリズムを用いることで,正しいペアリングを選択する効率を大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-10-29T18:00:07Z) - The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - 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) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳（メタデータ） (2024-01-31T01:02:16Z) - Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。
私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文 参考訳（メタデータ） (2024-01-20T03:11:59Z) - Clustering by Contour coreset and variational quantum eigensolver [0.8544206632559302]
本稿では,変分量子固有解法(VQE)とカスタマイズコアセット法であるContour coresetを用いて,k平均クラスタリング問題を解くことを提案する。
我々の研究は、量子化されたコアセット技術は量子アルゴリズムの性能を大幅に向上させる可能性があることを示した。
論文 参考訳（メタデータ） (2023-12-06T14:21:17Z) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing [93.83016310295804]
AQCは研究関心の問題を実装でき、コンピュータビジョンタスクのための量子表現の開発に拍車をかけた。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
これにより、合成タスクと実際の視覚データについて、D-Wave AQCで示すような曖昧な解とデータポイントを識別することができる。
論文 参考訳（メタデータ） (2023-10-18T17:59:45Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Quantum spectral clustering algorithm for unsupervised learning [0.8399688944263843]
本稿では,量子プロセッサ上でのスペクトルクラスタリングを実現する回路設計を提案する。
確立された量子$k$-meansアルゴリズムと比較して、我々の手法は量子ランダムアクセスメモリや量子断熱処理を必要としない。
論文 参考訳（メタデータ） (2022-03-07T05:06:47Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z) - Coreset Clustering on Small Quantum Computers [3.4075213885825377]
Harrow氏の最近の研究は、ハイブリッド量子古典計算における新しいパラダイムを導入している。
このパラダイムを用いて、短期量子コンピュータ上で$k$-meansクラスタリングを行う。
私たちは、コアセットとQAOAの両方がうまく機能するデータセットを見つけます。
論文 参考訳（メタデータ） (2020-04-30T17:19:19Z)
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。