Fugu-MT 論文翻訳(概要): Application of quantum neural network model to a multivariate regression problem

論文の概要: Application of quantum neural network model to a multivariate regression problem

arxiv url: http://arxiv.org/abs/2310.12559v1
Date: Thu, 19 Oct 2023 08:10:12 GMT
ステータス: 処理完了
システム内更新日: 2023-10-20 16:15:41.417608
Title: Application of quantum neural network model to a multivariate regression problem
Title（参考訳）: 量子ニューラルネットワークモデルの多変量回帰問題への応用
Authors: Hirotoshi Hirai
Abstract要約: 本研究では,トレーニングデータのサイズが一般化性能に及ぼす影響について検討した。その結果,トレーニングデータのサイズが小さい場合,QNNは特に有効であることが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Since the introduction of the quantum neural network model, it has been widely studied due to its strong expressive power and robustness to overfitting. To date, the model has been evaluated primarily in classification tasks, but its performance in practical multivariate regression problems has not been thoroughly examined. In this study, the Auto-MPG data set (392 valid data points, excluding missing data, on fuel efficiency for various vehicles) was used to construct QNN models and investigate the effect of the size of the training data on generalization performance. The results indicate that QNN is particularly effective when the size of training data is small, suggesting that it is especially suitable for small-data problems such as those encountered in Materials Informatics.
Abstract（参考訳）: 量子ニューラルネットワークモデルの導入以来、強い表現力と過剰適合に対する堅牢性のために広く研究されてきた。これまで,モデルは主に分類タスクで評価されてきたが,実用的多変量回帰問題における性能は十分に検討されていない。本研究では,QNNモデルの構築と,トレーニングデータのサイズが一般化性能に及ぼす影響について検討するために,自動MPGデータセット(各車両の燃料効率について,欠落データを除く392個の有効データ点)を用いた。その結果, 学習データのサイズが小さい場合, qnnは特に有効であり, 資料情報学などの小規模データ問題に特に適していることが示唆された。

関連論文リスト

Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
論文参考訳（メタデータ） (2023-11-29T05:33:28Z)
Amortised Inference in Bayesian Neural Networks [0.0]
Amortized Pseudo-Observation Variational Inference Bayesian Neural Network (APOVI-BNN)を紹介する。補正された推論は、従来の変分推論によって得られたものと類似または良好な品質であることが示される。次に、APOVI-BNNをニューラルプロセスファミリーの新たなメンバーと見なす方法について論じる。
論文参考訳（メタデータ） (2023-09-06T14:02:33Z)
Do Neural Topic Models Really Need Dropout? Analysis of the Effect of Dropout in Topic Modeling [0.6445605125467573]
ドロップアウトは、小さなデータセットでトレーニングされた大規模なフィードフォワードニューラルネットワークにおいて、過度に適合する問題を解決するために広く使用されている正規化トリックである。我々は,3つの広く使用されているニューラルトピックモデルにおいて,エンコーダおよびVAEアーキテクチャのデコーダにおけるドロップアウトの結果を分析した。
論文参考訳（メタデータ） (2023-03-28T13:45:39Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
Kronecker Factorization for Preventing Catastrophic Forgetting in Large-scale Medical Entity Linking [7.723047334864811]
医療分野では、タスクのシーケンシャルなトレーニングがモデルをトレーニングする唯一の方法である場合もあります。破滅的な忘れ物、すなわち、新しいタスクのためにモデルが更新されたとき、以前のタスクの精度が大幅に低下します。本稿では,この手法が3つのデータセットにまたがる医療機関の重要かつ実証的な課題に有効であることを示す。
論文参考訳（メタデータ） (2021-11-11T01:51:01Z)
Improving Classifier Training Efficiency for Automatic Cyberbullying Detection with Feature Density [58.64907136562178]
言語支援の異なる特徴前処理手法を用いて特徴密度(FD)の有効性を検討した。データセットの複雑さを推定することで、必要な実験の数を削減できると仮定する。データセットの言語的複雑さの違いにより、言語的に支援された単語前処理の有効性を議論することが可能になる。
論文参考訳（メタデータ） (2021-11-02T15:48:28Z)
Simulated Data Generation Through Algorithmic Force Coefficient Estimation for AI-Based Robotic Projectile Launch Modeling [7.434188351403889]
非剛体物体発射における力係数のアルゴリズム的推定のための新しい枠組みを提案する。我々は、非剛体物体の発射軌道を正確にモデル化するための新しいトレーニングアルゴリズムと目的を実装した。
論文参考訳（メタデータ） (2021-05-09T18:47:45Z)
Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文参考訳（メタデータ） (2021-04-11T16:37:32Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
An Efficient Method of Training Small Models for Regression Problems with Knowledge Distillation [1.433758865948252]
回帰問題に対する知識蒸留の新しい定式化を提案する。まず,教師モデル予測を用いて,教師モデルを用いた学習サンプルの退学率を下げる新たな損失関数,教師の退学率の減少を提案する。マルチタスクネットワークを考えることで、学生モデルの特徴抽出の訓練がより効果的になる。
論文参考訳（メタデータ） (2020-02-28T08:46:12Z)

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。