論文の概要: Classical-to-quantum convolutional neural network transfer learning

• arxiv url: http://arxiv.org/abs/2208.14708v2
• Date: Thu, 28 Sep 2023 15:34:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 23:17:41.065749
• Title: Classical-to-quantum convolutional neural network transfer learning
• Title（参考訳）: 古典的量子畳み込みニューラルネットワーク伝達学習
• Authors: Juhyeon Kim, Joonsuk Huh, Daniel K. Park
• Abstract要約: 量子畳み込みニューラルネットワーク(QCNN)を用いた機械学習は、量子データ分類と古典データ分類の両方で成功している。 ノイズの多い中規模量子時代に小さなQCNNを利用するための効果的な方法として転送学習を提案する。
• 参考スコア（独自算出の注目度）: 1.9336815376402723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning using quantum convolutional neural networks (QCNNs) has demonstrated success in both quantum and classical data classification. In previous studies, QCNNs attained a higher classification accuracy than their classical counterparts under the same training conditions in the few-parameter regime. However, the general performance of large-scale quantum models is difficult to examine because of the limited size of quantum circuits, which can be reliably implemented in the near future. We propose transfer learning as an effective strategy for utilizing small QCNNs in the noisy intermediate-scale quantum era to the full extent. In the classical-to-quantum transfer learning framework, a QCNN can solve complex classification problems without requiring a large-scale quantum circuit by utilizing a pre-trained classical convolutional neural network (CNN). We perform numerical simulations of QCNN models with various sets of quantum convolution and pooling operations for MNIST data classification under transfer learning, in which a classical CNN is trained with Fashion-MNIST data. The results show that transfer learning from classical to quantum CNN performs considerably better than purely classical transfer learning models under similar training conditions.
• Abstract（参考訳）: 量子畳み込みニューラルネットワーク(qcnns)を用いた機械学習は、量子データ分類と古典データ分類の両方で成功した。 以前の研究では、QCNNは、数パラメータの条件で同じトレーニング条件下で、従来のものよりも高い分類精度を達成した。 しかし、近い将来に確実に実装できる量子回路のサイズが限られているため、大規模量子モデルの一般的な性能を調べることは困難である。 雑音の多い中規模量子時代のQCNNを最大限活用するための効果的な方法として転送学習を提案する。 古典的量子移動学習フレームワークにおいて、QCNNは、事前訓練された古典畳み込みニューラルネットワーク(CNN)を利用することで、大規模量子回路を必要としない複雑な分類問題を解くことができる。 我々は,古典的CNNをFashion-MNISTデータで訓練したMNISTデータ分類のための,様々な量子畳み込みとプーリング操作を備えたQCNNモデルの数値シミュレーションを行う。 その結果、古典的から量子的cnnへの転送学習は、同様の訓練条件下で純粋に古典的転送学習モデルよりもかなり優れていることがわかった。

関連論文リスト

• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。 我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。 量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• QuCNN : A Quantum Convolutional Neural Network with Entanglement Based Backpropagation [9.760266670459446]
  QuCNNはパラメータ化されたマルチ量子状態ベースのニューラルネットワーク層で、各量子フィルタ状態と各量子データ状態の類似性を演算する。 バック伝搬は単一アンシラビット量子ルーチンによって達成できる。 MNISTイメージの小さなサブセットにデータ状態とフィルタ状態の畳み込み層を適用して検証する。
  論文  参考訳（メタデータ） (2022-10-11T13:36:15Z)
• Classical-to-Quantum Transfer Learning for Spoken Command Recognition Based on Quantum Neural Networks [13.485144642413907]
  本研究では、音声コマンド認識(SCR)のための新しいハイブリッドエンドツーエンド量子ニューラルネットワーク(QNN)への機械学習アルゴリズム適用による転送学習の拡張について検討する。 我々は,事前学習した古典的ネットワークを,ハイブリッドQNNモデルの古典的部分に転送するハイブリッドトランスファー学習アルゴリズムを提案する。 Google音声コマンドデータセット上で,SCR用ハイブリッド古典量子QNNに適用したハイブリッドトランスファー学習アルゴリズムを評価する。
  論文  参考訳（メタデータ） (2021-10-17T00:45:31Z)
• 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)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)
• Quantum convolutional neural network for classical data classification [0.8057006406834467]
  古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。 本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T06:48:34Z)
• 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 Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• 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)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)

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。