論文の概要: Semisupervised Anomaly Detection using Support Vector Regression with
Quantum Kernel
- arxiv url: http://arxiv.org/abs/2308.00583v2
- Date: Wed, 3 Jan 2024 13:26:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 16:58:59.533621
- Title: Semisupervised Anomaly Detection using Support Vector Regression with
Quantum Kernel
- Title(参考訳): 量子カーネルを用いた支持ベクトル回帰を用いた半教師付き異常検出
- Authors: Kilian Tscharke, Sebastian Issel, Pascal Debus
- Abstract要約: 異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。
本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。
量子カーネルを用いたSVRモデルは、RBFカーネルや他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection (AD) involves identifying observations or events that
deviate in some way from the rest of the data. Machine learning techniques have
shown success in automating this process by detecting hidden patterns and
deviations in large-scale data. The potential of quantum computing for machine
learning has been widely recognized, leading to extensive research efforts to
develop suitable quantum machine learning (QML) algorithms. In particular, the
search for QML algorithms for near-term NISQ devices is in full swing. However,
NISQ devices pose additional challenges due to their limited qubit coherence
times, low number of qubits, and high error rates. Kernel methods based on
quantum kernel estimation have emerged as a promising approach to QML on NISQ
devices, offering theoretical guarantees, versatility, and compatibility with
NISQ constraints. Especially support vector machines (SVM) utilizing quantum
kernel estimation have shown success in various supervised learning tasks.
However, in the context of AD, semisupervised learning is of great relevance,
and yet there is limited research published in this area. This paper introduces
an approach to semisupervised AD based on the reconstruction loss of a support
vector regression (SVR) with quantum kernel. This novel model is an alternative
to the variational quantum and quantum kernel one-class classifiers, and is
compared to a quantum autoencoder as quantum baseline and a SVR with
radial-basis-function (RBF) kernel as well as a classical autoencoder as
classical baselines. The models are benchmarked extensively on 10 real-world AD
data sets and one toy data set, and it is shown that our SVR model with quantum
kernel performs better than the SVR with RBF kernel as well as all other
models, achieving highest mean AUC over all data sets. In addition, our QSVR
outperforms the quantum autoencoder on 9 out of 11 data sets.
- Abstract(参考訳): 異常検出(AD)は、他のデータから何らかの方法で逸脱する観測や事象を特定することである。
機械学習技術は、大規模データの隠れパターンや偏差を検出することによって、このプロセスを自動化することに成功した。
機械学習のための量子コンピューティングの可能性は広く認識されており、適切な量子機械学習(QML)アルゴリズムを開発するための広範な研究努力につながっている。
特に、NISQデバイスに対するQMLアルゴリズムの探索は、完全に揺れている。
しかし、NISQデバイスは、量子コヒーレンス時間に制限があり、量子ビット数が低く、エラー率が高いため、さらなる課題が生じる。
NISQデバイス上でのQMLに対する有望なアプローチとして量子カーネル推定に基づくカーネル手法が登場し、理論的な保証、汎用性、およびNISQ制約との互換性を提供する。
特に量子カーネル推定を利用したベクトルマシン(SVM)は,様々な教師付き学習タスクで成功を収めている。
しかし、ADの文脈では、半教師あり学習は極めて関連性が高いが、この分野での研究は限られている。
本稿では,量子カーネルによる支持ベクトル回帰(SVR)の再構成損失に基づく半教師付きADへのアプローチを提案する。
この新モデルは変分量子カーネルと量子カーネルの1クラス分類器の代替であり、量子オートエンコーダを量子ベースラインとして、SVRを放射基底関数(RBF)カーネルとし、古典的オートエンコーダを古典的ベースラインとして比較する。
実世界の10のADデータセットと1つの玩具データセットでベンチマークを行い、我々の量子カーネルを用いたSVRモデルはRBFカーネルと他のすべてのモデルよりも優れた性能を示し、全てのデータセットに対して最高平均AUCを達成する。
さらに、我々のqsvrは11のデータセットのうち9の量子オートエンコーダよりも優れています。
関連論文リスト
- 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) - Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum
Computing [99.34965725525188]
AQC(Adiabatic quantum computing)は、NP-hard最適化問題に対する有望な量子コンピューティング手法である。
本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。
最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。
論文 参考訳(メタデータ) (2023-10-18T17:59:45Z) - Quantum support vector data description for anomaly detection [0.5439020425819]
異常検出は、データ分析とパターン認識において重要な問題であり、様々な領域における応用を見つける。
本稿では,異常検出のための教師なし学習アルゴリズムである量子支援ベクトルデータ記述(QSVDD)を紹介する。
論文 参考訳(メタデータ) (2023-10-10T07:35:09Z) - 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) - Quantum support vector machines for classification and regression on a
trapped-ion quantum computer [10.943058987503008]
量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。
QSVCタスクには不正なクレジットカード取引とイメージデータセットを含むデータセットを使用し、QSVRタスクには財務データセットと材料データセットを使用します。
その結果,量子カーネルはQSVCとQSVRの両方のタスクに効果的に利用でき,ノイズに対する耐性と各種データセットへの適応性を示すことが示唆された。
論文 参考訳(メタデータ) (2023-07-05T08:06:41Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Error mitigation for quantum kernel based machine learning methods on
IonQ and IBM quantum computers [1.7555138234411651]
2つの量子カーネル機械学習(ML)アルゴリズムを用いて、乳がんデータセットのラベルを2つの異なる量子デバイス上で予測する。
この結果から,エラー低減量子カーネル機械学習アルゴリズムの予測性能は,非エラー緩和アルゴリズムと比較して有意に向上した。
論文 参考訳(メタデータ) (2022-06-03T13:54:49Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳(メタデータ) (2022-04-26T09:52:02Z) - 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) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳(メタデータ) (2020-10-26T03:36:01Z)
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。