論文の概要: AutoQML: Automatic Generation and Training of Robust Quantum-Inspired Classifiers by Using Genetic Algorithms on Grayscale Images

• arxiv url: http://arxiv.org/abs/2208.13246v1
• Date: Sun, 28 Aug 2022 16:33:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 13:02:17.375097
• Title: AutoQML: Automatic Generation and Training of Robust Quantum-Inspired Classifiers by Using Genetic Algorithms on Grayscale Images
• Title（参考訳）: autoqml:グレイスケール画像の遺伝的アルゴリズムを用いたロバスト量子インスパイア分類器の自動生成と学習
• Authors: Sergio Altares-L\'opez, Juan Jos\'e Garc\'ia-Ripoll, Angela Ribeiro
• Abstract要約: グレースケール画像上で量子インスパイアされた分類器を自動生成・訓練するハイブリッドシステムを提案する。 我々は、最小限の回路と、見えないデータに対する高い精度を得るために、動的適合関数を定義する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new hybrid system for automatically generating and training quantum-inspired classifiers on grayscale images by using multiobjective genetic algorithms. We define a dynamic fitness function to obtain the smallest possible circuit and highest accuracy on unseen data, ensuring that the proposed technique is generalizable and robust. We minimize the complexity of the generated circuits in terms of the number of entanglement gates by penalizing their appearance. We reduce the size of the images with two dimensionality reduction approaches: principal component analysis (PCA), which is encoded in the individual for optimization purpose, and a small convolutional autoencoder (CAE). These two methods are compared with one another and with a classical nonlinear approach to understand their behaviors and to ensure that the classification ability is due to the quantum circuit and not the preprocessing technique used for dimensionality reduction.
• Abstract（参考訳）: 多目的遺伝的アルゴリズムを用いて、グレースケール画像上で量子インスパイアされた分類器を自動生成し、訓練するハイブリッドシステムを提案する。 提案手法が一般化し,堅牢であることを保証するために,最小の回路と最大精度を得るための動的適合関数を定義する。 我々は、その外観をペナルティ化し、絡み合うゲートの数の観点から、生成回路の複雑さを最小限に抑える。 最適化目的のために個人で符号化される主成分分析(PCA)と、小さな畳み込みオートエンコーダ(CAE)の2つのアプローチで画像のサイズを縮小する。 これらの2つの手法は互いに比較され、それらの振る舞いを理解し、分類能力が量子回路によるものであることを保証するために古典的な非線形アプローチを用いている。

関連論文リスト

• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• Scalable quantum dynamics compilation via quantum machine learning [7.31922231703204]
  変分量子コンパイル(VQC)法は、高精度を維持しつつゲートコストを低減するために変分最適化を用いる。 1次元におけるシステムサイズと精度の両面で、我々のアプローチが最先端のコンパイル結果を上回ることが示されている(1$D)。 VQCを2次元(2次元)ストリップに準1次元処理で拡張し、標準的なトロッタライズ法よりも大きな資源優位性を示す。
  論文  参考訳（メタデータ） (2024-09-24T18:00:00Z)
• Enhancing the performance of Variational Quantum Classifiers with hybrid autoencoders [0.0]
  本稿では,特定の量子埋め込みを考慮し,与えられたデータセットの次元性を低減する方法を提案する。 この方法は、VQCを用いた量子機械学習をより汎用的で高次元のデータセットに効果的にすることを目的としている。
  論文  参考訳（メタデータ） (2024-09-05T08:51:20Z)
• Quantum Circuit Optimization using Differentiable Programming of Tensor Network States [0.0]
  このアルゴリズムは古典的なハードウェア上で動作し、浅い正確な量子回路を見つける。 すべての回路は、適切なCPU時間と控えめなメモリ要求下で高い状態忠実性を達成する。
  論文  参考訳（メタデータ） (2024-08-22T17:48:53Z)
• Transformers as Statisticians: Provable In-Context Learning with In-Context Algorithm Selection [88.23337313766353]
  この研究はまず、変換器がICLを実行するための包括的な統計理論を提供する。 コンテクストにおいて、トランスフォーマーは、幅広い種類の標準機械学習アルゴリズムを実装可能であることを示す。 エンフィングル変換器は、異なるベースICLアルゴリズムを適応的に選択することができる。
  論文  参考訳（メタデータ） (2023-06-07T17:59:31Z)
• Fundamental Limits of Two-layer Autoencoders, and Achieving Them with Gradient Methods [91.54785981649228]
  本稿では,非線形二層型オートエンコーダについて述べる。 本結果は,人口リスクの最小化要因を特徴付け,その最小化要因が勾配法によって達成されることを示す。 符号アクティベーション関数の特別な場合において、この解析は、シャローオートエンコーダによるガウス音源の損失圧縮の基本的な限界を確立する。
  論文  参考訳（メタデータ） (2022-12-27T12:37:34Z)
• Generating quantum feature maps for SVM classifier [0.0]
  本稿では,量子化支援ベクトルマシンのための2つの量子特徴写像の生成法と比較を行った。 第1の方法は、分類の精度を最大化するペナルティ法を用いて、多目的フィットネス機能を持つ遺伝的アルゴリズムである。 第2の方法は変分量子回路を用い、ユニタリ行列分解に基づいてアンザッツをコントラクトする方法に焦点をあてる。
  論文  参考訳（メタデータ） (2022-07-23T07:28:23Z)
• Learning Representations for CSI Adaptive Quantization and Feedback [51.14360605938647]
  本稿では,周波数分割二重化システムにおける適応量子化とフィードバックの効率的な手法を提案する。 既存の研究は主に、CSI圧縮のためのオートエンコーダ(AE)ニューラルネットワークの実装に焦点を当てている。 1つはポストトレーニング量子化に基づくもので、もう1つはAEのトレーニング中にコードブックが見つかる方法である。
  論文  参考訳（メタデータ） (2022-07-13T08:52:13Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Automatic design of quantum feature maps [0.3867363075280543]
  量子支援ベクトルマシン(QSVM)を用いた最適アドホックアンゼの自動生成手法を提案する。 この効率的な方法はNSGA-II多目的遺伝的アルゴリズムに基づいており、精度を最大化し、アンザッツサイズを最小化することができる。
  論文  参考訳（メタデータ） (2021-05-26T15:31:10Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。