論文の概要: Enhancing Quantum Support Vector Machines through Variational Kernel Training

• arxiv url: http://arxiv.org/abs/2305.06063v2
• Date: Thu, 11 May 2023 05:37:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 11:12:17.758613
• Title: Enhancing Quantum Support Vector Machines through Variational Kernel Training
• Title（参考訳）: 変分核トレーニングによる量子サポートベクトルマシンの強化
• Authors: Nouhaila Innan, Muhammad Al-Zafar Khan, Biswaranjan Panda, and Mohamed Bennai
• Abstract要約: 本稿では、既存の量子カーネルSVMと量子変分SVMの2つの方法に焦点を当てる。 本稿では,QK-SVMとQV-SVMの強度を相乗化して精度を向上させる手法を提案する。 以上の結果から,QVK-SVMはQMLアプリケーションの信頼性とトランスフォーメーションツールとして大きな可能性を秘めていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) has witnessed immense progress recently, with quantum support vector machines (QSVMs) emerging as a promising model. This paper focuses on the two existing QSVM methods: quantum kernel SVM (QK-SVM) and quantum variational SVM (QV-SVM). While both have yielded impressive results, we present a novel approach that synergizes the strengths of QK-SVM and QV-SVM to enhance accuracy. Our proposed model, quantum variational kernel SVM (QVK-SVM), leverages the quantum kernel and quantum variational algorithm. We conducted extensive experiments on the Iris dataset and observed that QVK-SVM outperforms both existing models in terms of accuracy, loss, and confusion matrix indicators. Our results demonstrate that QVK-SVM holds tremendous potential as a reliable and transformative tool for QML applications. Hence, we recommend its adoption in future QML research endeavors.
• Abstract（参考訳）: 量子機械学習(QML)は、量子サポートベクターマシン(QSVM)が将来的なモデルとして登場し、近年大きく進歩している。 本稿では,量子カーネルSVM(QK-SVM)と量子変動SVM(QV-SVM)の2つの既存QSVM手法に焦点を当てる。 どちらも印象的な結果を得たが、精度を高めるためにQK-SVMとQV-SVMの強みを相乗化する新しいアプローチを提案する。 提案する量子変分カーネルSVM(QVK-SVM)は,量子カーネルと量子変分アルゴリズムを利用する。 irisデータセットに関する広範な実験を行い、qvk-svmが既存のモデルの精度、損失、および混乱行列の指標よりも優れていることを観測した。 以上の結果から,QVK-SVMはQMLアプリケーションの信頼性と変換ツールとして大きな可能性を秘めている。 したがって、今後のQML研究における採用を推奨する。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Feature Importance and Explainability in Quantum Machine Learning [0.0]
  多くの機械学習(ML)モデルはブラックボックスモデルと呼ばれ、なぜ予測されるのかについて本当の洞察を与えていない。 本稿では、古典的MLモデルと比較して量子機械学習(QML)の特徴的重要性と説明可能性について考察する。
  論文  参考訳（メタデータ） (2024-05-14T19:12:32Z)
• 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)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Projection Valued Measure-based Quantum Machine Learning for Multi-Class Classification [10.90994913062223]
  プロジェクション評価尺度(PVM)を用いた多クラス分類のための新しいフレームワークを提案する。 我々のフレームワークは6キュービット未満のデータセットで最先端のSOTA(State-of-theart)より優れています。
  論文  参考訳（メタデータ） (2022-10-30T03:12:53Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• 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)
• Investigation of Quantum Support Vector Machine for Classification in NISQ era [0.0]
  本稿では,量子支援ベクトルマシン(QSVM)アルゴリズムとその回路バージョンについて検討する。 量子回路におけるトレーニングおよびテストデータサンプルを符号化し,QSVM回路実装手法の効率性を計算する。 我々は、現在のNISQデバイスにQSVMアルゴリズムを適用する際に直面する技術的困難を強調した。
  論文  参考訳（メタデータ） (2021-12-13T18:59:39Z)
• Practical application improvement to Quantum SVM: theory to practice [0.9449650062296824]
  量子特徴写像を用いて、データを量子状態に変換し、これらの量子状態からSVMカーネルを構築する。 実験では,データセットの複雑さに関わらず,QSVMがSVMに対して等しく動作することを示す。
  論文  参考訳（メタデータ） (2020-12-14T17:19:17Z)
• 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)

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。