論文の概要: Adversarial attacks on hybrid classical-quantum Deep Learning models for
Histopathological Cancer Detection
- arxiv url: http://arxiv.org/abs/2309.06377v1
- Date: Fri, 8 Sep 2023 06:37:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 11:59:29.123178
- Title: Adversarial attacks on hybrid classical-quantum Deep Learning models for
Histopathological Cancer Detection
- Title(参考訳): 病理組織学的癌検出のためのハイブリッド古典量子深層学習モデルの敵対的攻撃
- Authors: Biswaraj Baral, Reek Majumdar, Bhavika Bhalgamiya, and Taposh Dutta
Roy
- Abstract要約: この研究は、ハイブリッド古典量子ディープラーニングモデルの2つの主要な応用を強調している。
我々は、ペニレーンのデフォルト量子シミュレータを用いた古典モデルとハイブリッド古典量子モデルのパフォーマンスの精度を比較した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an effective application of quantum machine learning in
histopathological cancer detection. The study here emphasizes two primary
applications of hybrid classical-quantum Deep Learning models. The first
application is to build a classification model for histopathological cancer
detection using the quantum transfer learning strategy. The second application
is to test the performance of this model for various adversarial attacks.
Rather than using a single transfer learning model, the hybrid
classical-quantum models are tested using multiple transfer learning models,
especially ResNet18, VGG-16, Inception-v3, and AlexNet as feature extractors
and integrate it with several quantum circuit-based variational quantum
circuits (VQC) with high expressibility. As a result, we provide a comparative
analysis of classical models and hybrid classical-quantum transfer learning
models for histopathological cancer detection under several adversarial
attacks. We compared the performance accuracy of the classical model with the
hybrid classical-quantum model using pennylane default quantum simulator. We
also observed that for histopathological cancer detection under several
adversarial attacks, Hybrid Classical-Quantum (HCQ) models provided better
accuracy than classical image classification models.
- Abstract(参考訳): 病理組織学的癌検出における量子機械学習の有効な応用について述べる。
この研究は、古典量子深層学習モデルの2つの主要な応用を強調している。
最初の応用は、量子伝達学習戦略を用いた病理組織学的癌検出のための分類モデルの構築である。
第2のアプリケーションは、様々な敵攻撃に対するこのモデルの性能をテストすることである。
単一転送学習モデルを用いるのではなく、複数の転送学習モデル、特にresnet18、vgg-16、inception-v3、alexnetを特徴抽出器としてテストし、いくつかの量子回路ベースの変分量子回路(vqc)と高表現性で統合する。
その結果, 古典モデルとハイブリッド古典量子トランスファー学習モデルの比較分析を行い, 逆行性攻撃による病理組織学的癌検出について検討した。
ペニレーンのデフォルト量子シミュレータを用いて,古典モデルと古典量子モデルのハイブリッドモデルを比較した。
また,いくつかの逆行性攻撃による病理組織学的癌検出では,Hybrid Classical-Quantum (HCQ) モデルが従来の画像分類モデルよりも精度が高かった。
関連論文リスト
- An ensemble framework approach of hybrid Quantum convolutional neural networks for classification of breast cancer images [2.1659912179830023]
量子ニューラルネットワークは、ネットワークモデルを学習してスケールアップする能力において、古典的なニューラルネットワークを置き換えるのに適していると考えられている。
医用画像分類は、ディープラーニング、特に畳み込みニューラルネットワークの応用によく関係している。
論文 参考訳(メタデータ) (2024-09-24T10:43:27Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳(メタデータ) (2024-02-25T16:57:51Z) - Towards Transfer Learning for Large-Scale Image Classification Using
Annealing-based Quantum Boltzmann Machines [7.106829260811707]
本稿では,Quantum Annealing (QA) を用いた画像分類手法を提案する。
本稿では,アニール型量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として用いることを提案する。
提案手法は,テスト精度とAUC-ROC-Scoreの点で,古典的ベースラインを一貫して上回っていることがわかった。
論文 参考訳(メタデータ) (2023-11-27T16:07:49Z) - Bridging Classical and Quantum Machine Learning: Knowledge Transfer From
Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。
我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。
量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
論文 参考訳(メタデータ) (2023-11-23T05:06:43Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳(メタデータ) (2023-03-27T22:48:28Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳(メタデータ) (2022-12-29T10:46:40Z) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳(メタデータ) (2022-12-22T16:06:24Z) - Hybrid Classical-Quantum Deep Learning Models for Autonomous Vehicle
Traffic Image Classification Under Adversarial Attack [2.6545358349290415]
トラフィックサイン画像は、AVがトラフィックサイン認識に使用している機械学習モデルに対する敵攻撃によって、誤って分類することができる。
逆攻撃に対して弾力性のある分類モデルを構築するために、量子層と古典層の両方を用いたハイブリッドディープラーニングモデルを用いた。
我々のゴールは、中規模量子技術の現在の時代を支えるために、古典量子移動学習モデルのハイブリッドディープラーニングアーキテクチャの研究である。
論文 参考訳(メタデータ) (2021-08-02T19:00:20Z) - 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) - Identifying nonclassicality from experimental data using artificial
neural networks [52.77024349608834]
ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。
光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
論文 参考訳(メタデータ) (2021-01-18T15:12:47Z) - Comparative study of variational quantum circuit and quantum
backpropagation multilayer perceptron for COVID-19 outbreak predictions [7.481372595714034]
本稿では、連続可変量子ニューラルネットワーク(可変回路)と量子バックプロパゲーション多重層パーセプトロン(QBMLP)の比較分析について述べる。
従来の人工ニューラルネットワークよりも優れた性能を示す2つのモデル間の統計的比較を行う。
論文 参考訳(メタデータ) (2020-08-08T17:57:14Z)
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。