論文の概要: Hybrid Quantum Machine Learning Assisted Classification of COVID-19 from Computed Tomography Scans

• arxiv url: http://arxiv.org/abs/2310.02748v1
• Date: Wed, 4 Oct 2023 11:37:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 15:31:14.570282
• Title: Hybrid Quantum Machine Learning Assisted Classification of COVID-19 from Computed Tomography Scans
• Title（参考訳）: ハイブリッド量子機械学習によるCTスキャンからのCOVID-19の分類支援
• Authors: Leo S\"unkel, Darya Martyniuk, Julia J. Reichwald, Andrei Morariu, Raja Havish Seggoju, Philipp Altmann, Christoph Roch, Adrian Paschke
• Abstract要約: 我々は,実世界データと実際に関係のある問題に対して,ハイブリッド量子機械学習アプローチを適用した。 より具体的には、肺の大きなCTスキャンを、COVID-19、CAP、または正常に分類する。 量子画像埋め込みとハイブリッド量子機械学習を議論し、様々な量子回路と埋め込み技術を用いて量子転送学習のいくつかのアプローチを評価する。
• 参考スコア（独自算出の注目度）: 0.8098766536552447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Practical quantum computing (QC) is still in its infancy and problems considered are usually fairly small, especially in quantum machine learning when compared to its classical counterpart. Image processing applications in particular require models that are able to handle a large amount of features, and while classical approaches can easily tackle this, it is a major challenge and a cause for harsh restrictions in contemporary QC. In this paper, we apply a hybrid quantum machine learning approach to a practically relevant problem with real world-data. That is, we apply hybrid quantum transfer learning to an image processing task in the field of medical image processing. More specifically, we classify large CT-scans of the lung into COVID-19, CAP, or Normal. We discuss quantum image embedding as well as hybrid quantum machine learning and evaluate several approaches to quantum transfer learning with various quantum circuits and embedding techniques.
• Abstract（参考訳）: 現実的な量子コンピューティング(QC)はまだ初期段階であり、特に古典的な量子機械学習と比較した場合、考慮される問題は比較的小さい。 特に画像処理アプリケーションは、大量の機能を処理できるモデルを必要としており、古典的なアプローチは簡単に対処できるが、これは現代のqcにおいて厳しい制限の要因であり、大きな課題である。 本稿では,実世界データと実際に関連する問題に対して,ハイブリッド量子機械学習手法を適用する。 すなわち、医用画像処理の分野における画像処理タスクにハイブリッド量子転送学習を適用する。 より具体的には、肺の大きなCTスキャンをCOVID-19、CAP、または正常に分類する。 量子画像埋め込みとハイブリッド量子機械学習を議論し、様々な量子回路と埋め込み技術を用いて量子転送学習のいくつかのアプローチを評価する。

関連論文リスト

• LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [7.945302052915863]
  量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。 本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
  論文  参考訳（メタデータ） (2024-09-22T23:18:06Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Hybrid Classical-Quantum architecture for vectorised image classification of hand-written sketches [0.0]
  量子機械学習は、別の方法でデータを学ぶために量子現象をどのように活用するかを研究する。 近年の進歩は、ハイブリッド古典量子モデルは、アーキテクチャの複雑さが低い場合に競争性能を達成できることを示唆している。 本稿では,QMLモデルのテストベッドとして,スケッチ描画のベクトルベース表現を提案する。
  論文  参考訳（メタデータ） (2024-07-08T21:51:20Z)
• 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)
• 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)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• 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)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• 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。