論文の概要: Evolutionary quantum feature selection
- arxiv url: http://arxiv.org/abs/2303.07131v1
- Date: Mon, 13 Mar 2023 14:01:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 14:42:02.760071
- Title: Evolutionary quantum feature selection
- Title(参考訳): 進化的量子特徴選択
- Authors: Anton S. Albino, Otto M. Pires, Mauro Q. Nooblath, Erick G. S.
Nascimento
- Abstract要約: 本研究では,量子回路進化(QCE)アルゴリズムを用いた量子特徴選択法(EQFS)を提案する。
提案手法は,浅部深度回路を用いてスパース確率分布を生成するQCEのユニークな機能を利用する。
計算実験により、EQFSは特徴数の2次スケーリングと良い特徴の組み合わせを識別できることを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective feature selection is essential for enhancing the performance of
artificial intelligence models. It involves identifying feature combinations
that optimize a given metric, but this is a challenging task due to the
problem's exponential time complexity. In this study, we present an innovative
heuristic called Evolutionary Quantum Feature Selection (EQFS) that employs the
Quantum Circuit Evolution (QCE) algorithm. Our approach harnesses the unique
capabilities of QCE, which utilizes shallow depth circuits to generate sparse
probability distributions. Our computational experiments demonstrate that EQFS
can identify good feature combinations with quadratic scaling in the number of
features. To evaluate EQFS's performance, we counted the number of times a
given classical model assesses the cost function for a specific metric, as a
function of the number of generations.
- Abstract(参考訳): 効果的な特徴選択は、人工知能モデルの性能向上に不可欠である。
与えられたメトリックを最適化する機能の組み合わせを特定することが必要ですが、これは問題の指数時間的複雑性のために難しいタスクです。
本研究では、量子回路進化(qce)アルゴリズムを用いた進化的量子特徴選択(eqfs)と呼ばれる革新的なヒューリスティックを提案する。
提案手法は,浅部深度回路を用いてスパース確率分布を生成するQCEのユニークな機能を利用する。
計算実験により,eqfsは特徴数の2次スケーリングと良い特徴の組み合わせを識別できることを示した。
EQFSの性能を評価するために、与えられた古典的モデルが特定の計量のコスト関数を評価する回数を世代数関数として数えた。
関連論文リスト
- Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳(メタデータ) (2024-02-26T09:32:07Z) - A novel feature selection method based on quantum support vector machine [3.6953740776904924]
特徴の選択は、次元を減らし、モデルの精度と効率を改善するために機械学習において重要である。
本稿では,量子支援ベクトルマシンと遺伝的アルゴリズムを統合した量子支援ベクトルマシン特徴選択法(QSVMF)を提案する。
乳がんデータセットの特徴選択にQSVMFを適用し、QSVMFの性能と古典的アプローチを比較した。
論文 参考訳(メタデータ) (2023-11-29T14:08:26Z) - Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。
実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文 参考訳(メタデータ) (2023-11-05T12:03:58Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-26T18:23:21Z) - Variational Quantum Linear Solver enhanced Quantum Support Vector
Machine [3.206157921187139]
本稿では,変分量子線形解法(VQLS)拡張QSVMを提案する。
NISQ デバイス上での最小二乗SVM の線形方程式系を解くために、変分量子線形解法を利用するという考え方に基づいている。
提案手法の実装は,Irisデータセットを用いた広範囲な数値実験により評価される。
論文 参考訳(メタデータ) (2023-09-14T14:59:58Z) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-14T08:03:20Z) - Equivariant quantum circuits for learning on weighted graphs [0.0]
重み付きグラフ上でタスクを学習するためのアンサッツを導入する。
複雑な学習課題,すなわちニューラル最適化において,このアンザッツの性能を評価する。
論文 参考訳(メタデータ) (2022-05-12T14:15:47Z) - Quantum Feature Selection [2.5934039615414615]
機械学習では、より少ない機能がモデルの複雑さを減少させる。
本稿では,2次非制約二元最適化問題に基づく特徴選択アルゴリズムを提案する。
反復法や欲求法とは対照的に、我々の直接的なアプローチは高品質な解をもたらす。
論文 参考訳(メタデータ) (2022-03-24T16:22:25Z) - Quantum circuit architecture search on a superconducting processor [56.04169357427682]
変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。
しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。
8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
論文 参考訳(メタデータ) (2022-01-04T01:53:42Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳(メタデータ) (2021-04-30T21:34:11Z) - Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
変分量子分類(VQC)は、量子的に有利な方法の一つである。
本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。
QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
論文 参考訳(メタデータ) (2020-05-29T04:43:14Z)
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。