論文の概要: A Single-Step Multiclass SVM based on Quantum Annealing for Remote
Sensing Data Classification
- arxiv url: http://arxiv.org/abs/2303.11705v1
- Date: Tue, 21 Mar 2023 09:51:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 15:42:10.254625
- Title: A Single-Step Multiclass SVM based on Quantum Annealing for Remote
Sensing Data Classification
- Title（参考訳）: リモートセンシングデータ分類のための量子アニーリングに基づくシングルステップマルチクラスSVM
- Authors: Amer Delilbasic, Bertrand Le Saux, Morris Riedel, Kristel Michielsen,
Gabriele Cavallaro
- Abstract要約: 本研究は,QMSVM(Quantum Multiclass SVM)と呼ばれる,量子アニールに基づく直接多クラス分類のための新しい量子SVMを提案する。
この研究の主な目的は、このアプローチの実現可能性、正確性、および時間性能を評価することである。
リモートセンシングデータの分類問題に対するD-Wave Advantage 量子アニールを用いた実験が実施されている。
- 参考スコア（独自算出の注目度）: 26.80167258721593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the development of quantum annealers has enabled
experimental demonstrations and has increased research interest in applications
of quantum annealing, such as in quantum machine learning and in particular for
the popular quantum SVM. Several versions of the quantum SVM have been
proposed, and quantum annealing has been shown to be effective in them.
Extensions to multiclass problems have also been made, which consist of an
ensemble of multiple binary classifiers. This work proposes a novel quantum SVM
formulation for direct multiclass classification based on quantum annealing,
called Quantum Multiclass SVM (QMSVM). The multiclass classification problem is
formulated as a single Quadratic Unconstrained Binary Optimization (QUBO)
problem solved with quantum annealing. The main objective of this work is to
evaluate the feasibility, accuracy, and time performance of this approach.
Experiments have been performed on the D-Wave Advantage quantum annealer for a
classification problem on remote sensing data. The results indicate that,
despite the memory demands of the quantum annealer, QMSVM can achieve accuracy
that is comparable to standard SVM methods and, more importantly, it scales
much more efficiently with the number of training examples, resulting in nearly
constant time. This work shows an approach for bringing together classical and
quantum computation, solving practical problems in remote sensing with current
hardware.
- Abstract（参考訳）: 近年、量子アニールの開発により実験的なデモンストレーションが可能となり、量子機械学習、特に一般的な量子SVMなどの量子アニールへの応用に研究の関心が高まっている。
量子SVMのいくつかのバージョンが提案されており、量子アニールが有効であることが示されている。
多重クラス問題への拡張も行われ、複数のバイナリ分類器のアンサンブルで構成されている。
本研究は,QMSVM(Quantum Multiclass SVM)と呼ばれる,量子アニールに基づく直接多クラス分類のための新しい量子SVMの定式化を提案する。
多重クラス分類問題は、量子アニールで解いた1つの擬似非拘束バイナリ最適化(QUBO)問題として定式化される。
この研究の主な目的は、このアプローチの実現性、正確性、時間パフォーマンスを評価することである。
リモートセンシングデータの分類問題に対するD-Wave Advantage 量子アニールを用いた実験が実施されている。
その結果、量子アニール器のメモリ要求にもかかわらず、QMSVMは標準のSVMメソッドに匹敵する精度を達成でき、さらに重要なことは、トレーニング例の数ではるかに効率的にスケールでき、結果としてほぼ一定時間が得られることを示している。
この研究は、古典的および量子計算をまとめ、現在のハードウェアによるリモートセンシングの実践的な問題を解くためのアプローチを示す。
関連論文リスト
- Quantum Machine Learning with Application to Progressive Supranuclear Palsy Network Classification [0.0]
進行性核上麻痺(PSP)の診断のための量子機械学習モデルを提案する。
その結果、量子機械学習は古典的なフレームワークよりも顕著に進歩し、性能を上回っていることが示唆された。
特に,IBM量子プラットフォームの量子シミュレータと実チップの両面において,本モデルの有効性を実証した。
論文 参考訳（メタデータ） (2024-07-06T14:16:31Z) - Parallel Quantum Computing Simulations via Quantum Accelerator Platform Virtualization [44.99833362998488]
本稿では,量子回路実行の並列化モデルを提案する。
このモデルはバックエンドに依存しない機能を利用することができ、任意のターゲットバックエンド上で並列量子回路の実行を可能にする。
論文 参考訳（メタデータ） (2024-06-05T17:16:07Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Machine Learning in the Quantum Age: Quantum vs. Classical Support
Vector Machines [0.0]
この研究は、古典的および量子計算パラダイムにおける機械学習アルゴリズムの有効性を判断する努力である。
我々は、Irisデータセット上で量子ハードウェアで動作する古典的なSVMと量子サポートベクトルマシンの分類技術を精査する。
論文 参考訳（メタデータ） (2023-10-17T01:06:59Z) - MORE: Measurement and Correlation Based Variational Quantum Circuit for
Multi-classification [10.969833959443495]
MOREは、測定と相関に基づく変分量子多重分類器の略である。
我々はQiskit Pythonライブラリを使ってMOREを実装し、ノイズフリーとノイズの多い量子システムの両方で広範囲にわたる実験により評価する。
論文 参考訳（メタデータ） (2023-07-21T19:33:10Z) - Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
量子計算を古典的な結果によって補う手法を提案する。
予測の利点を生かして、新しいタイプの量子測度がもたらされる。
予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
論文 参考訳（メタデータ） (2022-09-12T15:47:44Z) - 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) - Higgs analysis with quantum classifiers [0.0]
我々は、$tbartH(bbarb)$分類問題に対する2つの量子分類器モデルを開発した。
この結果は、量子機械学習(QML)メソッドが類似あるいはより良い性能を持つことができるという概念の証明として役立ちます。
論文 参考訳（メタデータ） (2021-04-15T18:01:51Z) - 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) - 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。