論文の概要: Hybrid quantum-classical graph neural networks for tumor classification
in digital pathology
- arxiv url: http://arxiv.org/abs/2310.11353v1
- Date: Tue, 17 Oct 2023 15:40:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 15:09:22.312793
- Title: Hybrid quantum-classical graph neural networks for tumor classification
in digital pathology
- Title（参考訳）: デジタル病理における腫瘍分類のためのハイブリッド量子古典グラフニューラルネットワーク
- Authors: Anupama Ray, Dhiraj Madan, Srushti Patil, Maria Anna Rapsomaniki,
Pushpak Pati
- Abstract要約: 我々は、GNNと変分量子(VQC)を組み合わせたハイブリッド量子グラフニューラルネットワーク(GNN)を作成し、乳癌のサブタイピングにおけるバイナリサブタスクを分類する。
その結果、ハイブリッド量子ニューラルネットワーク(QNN)は、重み付き精度、リコール、F1スコアの観点から、最先端の古典的グラフニューラルネットワーク(GNN)と同等であることが示された。
- 参考スコア（独自算出の注目度）: 2.682579230647868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advances in classical machine learning and single-cell technologies have
paved the way to understand interactions between disease cells and tumor
microenvironments to accelerate therapeutic discovery. However, challenges in
these machine learning methods and NP-hard problems in spatial Biology create
an opportunity for quantum computing algorithms. We create a hybrid
quantum-classical graph neural network (GNN) that combines GNN with a
Variational Quantum Classifier (VQC) for classifying binary sub-tasks in breast
cancer subtyping. We explore two variants of the same, the first with fixed
pretrained GNN parameters and the second with end-to-end training of GNN+VQC.
The results demonstrate that the hybrid quantum neural network (QNN) is at par
with the state-of-the-art classical graph neural networks (GNN) in terms of
weighted precision, recall and F1-score. We also show that by means of
amplitude encoding, we can compress information in logarithmic number of qubits
and attain better performance than using classical compression (which leads to
information loss while keeping the number of qubits required constant in both
regimes). Finally, we show that end-to-end training enables to improve over
fixed GNN parameters and also slightly improves over vanilla GNN with same
number of dimensions.
- Abstract（参考訳）: 古典的機械学習と単一細胞技術の進歩は、疾患細胞と腫瘍の微小環境の間の相互作用を理解し、治療の発見を加速する方法を開拓した。
しかし、これらの機械学習手法の課題と空間生物学におけるNPハード問題により、量子コンピューティングアルゴリズムの機会が生まれる。
我々は、GNNと変分量子分類器(VQC)を組み合わせたハイブリッド量子古典グラフニューラルネットワーク(GNN)を作成し、乳癌のサブタイピングにおけるバイナリサブタスクを分類する。
本稿では,GNN+VQCのエンドツーエンドトレーニングと,GNNパラメータを固定した2つの変種について検討する。
その結果、ハイブリッド量子ニューラルネットワーク(QNN)は、重み付き精度、リコール、F1スコアの観点から、最先端の古典的グラフニューラルネットワーク(GNN)と同等であることが示された。
また,振幅符号化により,量子ビット数で情報を圧縮し,従来の圧縮法よりも優れた性能が得られることを示した。
最後に、エンドツーエンドトレーニングにより、固定されたGNNパラメータよりも改善でき、同じ次元のバニラGNNよりもわずかに改善できることを示す。
関連論文リスト
- Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。
本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。
我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
論文 参考訳（メタデータ） (2024-02-16T11:44:25Z) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳（メタデータ） (2023-03-10T11:24:32Z) - Physics Simulation Via Quantum Graph Neural Network [0.0]
量子グラフニューラルネットワーク(QGNN)の2つの実現法を開発し,実装する。
最初のQGNNは、古典的な情報として重ね合わせ状態を直接実装する能力に依存する投機的量子古典的ハイブリッド学習モデルである。
2つ目は量子古典的ハイブリッド学習モデルで、RX$回転ゲートのパラメータを通して直接粒子情報を伝播する。
論文 参考訳（メタデータ） (2023-01-11T20:21:10Z) - 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) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Quantum-inspired Complex Convolutional Neural Networks [17.65730040410185]
我々は、より豊かな表現能力とより良い非線形性を持つ複素数値重みを利用することにより、量子刺激ニューロンを改善した。
我々は、高次元データを処理できる量子インスパイアされた畳み込みニューラルネットワーク(QICNN)のモデルを描く。
5つのQICNNの分類精度をMNISTとCIFAR-10データセットで検証した。
論文 参考訳（メタデータ） (2021-10-31T03:10:48Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳（メタデータ） (2020-11-12T08:32:04Z) - Recurrent Quantum Neural Networks [7.6146285961466]
リカレントニューラルネットワークは、機械学習における多くのシーケンス対シーケンスモデルの基盤となっている。
非自明なタスクに対して実証可能な性能を持つ量子リカレントニューラルネットワーク(QRNN)を構築する。
我々はQRNNをMNIST分類で評価し、QRNNに各画像ピクセルを供給し、また、最新のデータ拡張を前処理のステップとして利用する。
論文 参考訳（メタデータ） (2020-06-25T17:59:44Z) - Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。
RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。
臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文 参考訳（メタデータ） (2020-06-11T08:19:06Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。