論文の概要: Evaluating quantum generative models via imbalanced data classification benchmarks

• arxiv url: http://arxiv.org/abs/2308.10847v1
• Date: Mon, 21 Aug 2023 16:46:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 12:28:13.971862
• Title: Evaluating quantum generative models via imbalanced data classification benchmarks
• Title（参考訳）: 不均衡データ分類ベンチマークによる量子生成モデルの評価
• Authors: Graham R. Enos, Matthew J. Reagor, Eric Hulburd
• Abstract要約: 我々は、20種類の実世界のデータセットから適応したハイブリッド量子古典ニューラルネットワークから生成された合成データを解析する。 このアプローチを利用して問題の品質を解明し、量子古典的ハイブリッド生成モデルに適合する可能性が、多かれ少なかれ低い。
• 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: A limited set of tools exist for assessing whether the behavior of quantum machine learning models diverges from conventional models, outside of abstract or theoretical settings. We present a systematic application of explainable artificial intelligence techniques to analyze synthetic data generated from a hybrid quantum-classical neural network adapted from twenty different real-world data sets, including solar flares, cardiac arrhythmia, and speech data. Each of these data sets exhibits varying degrees of complexity and class imbalance. We benchmark the quantum-generated data relative to state-of-the-art methods for mitigating class imbalance for associated classification tasks. We leverage this approach to elucidate the qualities of a problem that make it more or less likely to be amenable to a hybrid quantum-classical generative model.
• Abstract（参考訳）: 量子機械学習モデルの振る舞いが、抽象的または理論的設定以外の従来のモデルから分岐するかどうかを評価するための限られたツールセットが存在する。 本稿では、太陽フレア、心不整脈、音声データを含む20種類の実世界データセットから適応したハイブリッド量子古典型ニューラルネットワークから生成された合成データを分析するための、説明可能な人工知能技術の体系的応用について述べる。 これらのデータセットはそれぞれ、様々な複雑さとクラス不均衡を示す。 我々は,関連する分類タスクに対するクラス不均衡を緩和するために,最先端手法と相対的に生成した量子データをベンチマークする。 このアプローチを利用して問題の品質を解明し、量子古典的ハイブリッド生成モデルに適合する可能性が、多かれ少なかれ低い。

関連論文リスト

• Uncertainty in Supply Chain Digital Twins: A Quantum-Classical Hybrid Approach [1.8031328949697987]
  本研究では,量子古典型ハイブリッド機械学習(ML)モデルを用いた不確実性定量化(UQ)について検討する。 これは、量子コンピューティング技術がUQのデータ機能を、特に従来の方法と組み合わせることで、どのように変換できるかを示している。
  論文  参考訳（メタデータ） (2024-11-15T15:02:35Z)
• Empirical Quantum Advantage Analysis of Quantum Kernel in Gene Expression Data [0.0]
  量子優位性が達成可能な適切なデータセットを見つけることや、古典的および量子的手法によって選択された特徴の関連性を評価することなど、制約に重点を置いている。 生理的行動と疾患の感受性の制御において遺伝的変異が重要な役割を担った遺伝子発現データセットを実験的に選択した。
  論文  参考訳（メタデータ） (2024-11-11T15:34:53Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Generalization despite overfitting in quantum machine learning models [0.0]
  量子モデルにおける良性過剰適合のキャラクタリゼーションを提供する。 量子モデルのクラスが如何に類似した特徴を示すかを示す。 我々はこれらの特徴を、局所的な「スパイク」な振る舞いでノイズデータを補間する量子モデルの能力に応じて直感的に説明する。
  論文  参考訳（メタデータ） (2022-09-12T18:08:45Z)
• ClusterQ: Semantic Feature Distribution Alignment for Data-Free Quantization [111.12063632743013]
  本稿では,ClusterQと呼ばれるデータフリーな量子化手法を提案する。 意味的特徴のクラス間分離性を高めるために,特徴分布統計をクラスタ化し,整列する。 また、クラス内分散を組み込んで、クラスワイドモードの崩壊を解決する。
  論文  参考訳（メタデータ） (2022-04-30T06:58:56Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• 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)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Machine learning approach for quantum non-Markovian noise classification [1.2891210250935146]
  機械学習と人工ニューラルネットワークモデルを用いてノイズの多い量子力学を分類できることを示した。 提案手法は, 多数の実験手法の直接的応用と, 既に利用可能な雑音型中間規模量子デバイスのノイズベンチマークへの応用が期待できる。
  論文  参考訳（メタデータ） (2021-01-08T20:56:56Z)

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。