Fugu-MT 論文翻訳(概要): First steps towards quantum machine learning applied to the classification of event-related potentials

論文の概要: First steps towards quantum machine learning applied to the classification of event-related potentials

arxiv url: http://arxiv.org/abs/2302.02648v1
Date: Mon, 6 Feb 2023 09:43:25 GMT
ステータス: 処理完了
システム内更新日: 2023-02-07 17:15:02.807317
Title: First steps towards quantum machine learning applied to the classification of event-related potentials
Title（参考訳）: 事象関連電位の分類に応用した量子機械学習への第一歩
Authors: Gr\'egoire Cattan, Alexandre Quemy (PUT), Anton Andreev (GIPSA-Services)
Abstract要約: 低情報伝達速度は、臨床応用のための非侵襲脳波(EEG)に基づく脳-コンピュータインターフェースの主要なボトルネックである。本研究では,量子化支援ベクトル分類器(QSVC)の性能について検討する。 QSVCのトレーニング(予測)精度は83.17 (50.25) %であった。
参考スコア（独自算出の注目度）: 68.8204255655161
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Low information transfer rate is a major bottleneck for brain-computer interfaces based on non-invasive electroencephalography (EEG) for clinical applications. This led to the development of more robust and accurate classifiers. In this study, we investigate the performance of quantum-enhanced support vector classifier (QSVC). Training (predicting) balanced accuracy of QSVC was 83.17 (50.25) %. This result shows that the classifier was able to learn from EEG data, but that more research is required to obtain higher predicting accuracy. This could be achieved by a better configuration of the classifier, such as increasing the number of shots.
Abstract（参考訳）: 低情報伝達速度は、臨床応用のための非侵襲脳波(EEG)に基づく脳-コンピュータインターフェースの主要なボトルネックである。これはより堅牢で正確な分類器の開発につながった。本研究では,量子化支援ベクトル分類器(QSVC)の性能について検討する。 QSVCのトレーニング(予測)精度は83.17 (50.25) %であった。その結果,脳波データから分類器が学習できたが,高い予測精度を得るためにはさらなる研究が必要であることがわかった。これは、ショットの数を増やすなど、分類器のより良い構成によって達成できる。

関連論文リスト

Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
変動量子回路(VQC)における重み付けの考え方を紹介する。我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
論文参考訳（メタデータ） (2023-06-09T09:42:21Z)
Training a HyperDimensional Computing Classifier using a Threshold on its Confidence [0.0]
本稿では,HDCモデルで正しく分類されたサンプルだけでなく,信頼性の低いサンプルも考慮して,HDCのトレーニング手順を拡張することを提案する。提案手法は,UCIHAR,CTG,ISOLET,HANDのデータセットを用いて,ベースラインと比較して連続的に性能が向上することを確認した。
論文参考訳（メタデータ） (2023-05-30T13:03:54Z)
Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:47:11Z)
Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks [13.025714736073489]
回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
論文参考訳（メタデータ） (2022-10-25T18:11:13Z)
An Extension to Basis-Hypervectors for Learning from Circular Data in Hyperdimensional Computing [62.997667081978825]
超次元計算(Hyperdimensional Computing、HDC)は、高次元ランダム空間の性質に基づく計算フレームワークである。本稿では, 基本超ベクトル集合について検討し, 一般にHDCへの実践的貢献につながっている。本稿では,HDCを用いた機械学習において,これまでに扱ったことのない重要な情報である円形データから学習する手法を提案する。
論文参考訳（メタデータ） (2022-05-16T18:04:55Z)
Classification of anomalous gait using Machine Learning techniques and embedded sensors [0.0]
従来の臨床インフラを整備し、人間の歩行検査を行えるようにするために、高い投資が求められていることが知られている。本研究は、3D加速度計と3Dジャイロスコープ測定を取得するために、ウェアラブルデバイスで構成されるアクセス可能で現代的なソリューションを提案する。
論文参考訳（メタデータ） (2021-10-08T21:58:00Z)
Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
論文参考訳（メタデータ） (2021-06-22T15:49:01Z)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
Accuracy Improvement for Fully Convolutional Networks via Selective Augmentation with Applications to Electrocardiogram Data [0.0]
提案手法の精度は, 信頼度の低い試料に対する上限値付近で最適であり, 信頼度の高い試料を含むように, この閾値が上昇するにつれて低下した。これは、フルコンボリューションネットワークによる心電図データ分類のための明確な利点を有するデータ増強のための低信頼サンプルを独占的に選択することを示唆している。
論文参考訳（メタデータ） (2021-04-25T23:01:27Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。