論文の概要: Towards Transfer Learning for Large-Scale Image Classification Using
Annealing-based Quantum Boltzmann Machines
- arxiv url: http://arxiv.org/abs/2311.15966v1
- Date: Mon, 27 Nov 2023 16:07:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 14:31:11.460827
- Title: Towards Transfer Learning for Large-Scale Image Classification Using
Annealing-based Quantum Boltzmann Machines
- Title（参考訳）: アニーリング型量子ボルツマンマシンを用いた大規模画像分類のための転送学習に向けて
- Authors: Dani\"elle Schuman, Leo S\"unkel, Philipp Altmann, Jonas Stein,
Christoph Roch, Thomas Gabor, Claudia Linnhoff-Popien
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.106829260811707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Transfer Learning (QTL) recently gained popularity as a hybrid
quantum-classical approach for image classification tasks by efficiently
combining the feature extraction capabilities of large Convolutional Neural
Networks with the potential benefits of Quantum Machine Learning (QML).
Existing approaches, however, only utilize gate-based Variational Quantum
Circuits for the quantum part of these procedures. In this work we present an
approach to employ Quantum Annealing (QA) in QTL-based image classification.
Specifically, we propose using annealing-based Quantum Boltzmann Machines as
part of a hybrid quantum-classical pipeline to learn the classification of
real-world, large-scale data such as medical images through supervised
training. We demonstrate our approach by applying it to the three-class
COVID-CT-MD dataset, a collection of lung Computed Tomography (CT) scan slices.
Using Simulated Annealing as a stand-in for actual QA, we compare our method to
classical transfer learning, using a neural network of the same order of
magnitude, to display its improved classification performance. We find that our
approach consistently outperforms its classical baseline in terms of test
accuracy and AUC-ROC-Score and needs less training epochs to do this.
- Abstract（参考訳）: 量子トランスファー学習(qtl)は最近、大規模畳み込みニューラルネットワークの特徴抽出能力と量子機械学習(qml)の潜在的な利点を効率的に組み合わせ、画像分類タスクのためのハイブリッド量子古典的手法として人気を博した。
しかし、既存のアプローチでは、これらの手順の量子部分に対してゲートベースの変分量子回路のみを使用する。
本稿ではQTLに基づく画像分類において量子アニーリング(QA)を用いる手法を提案する。
具体的には,アニーリングベースのQuantum Boltzmann Machinesをハイブリッド量子古典パイプラインの一部として使用して,医用画像などの実世界の大規模データの分類学習を行う。
肺CTスキャンスライス(CT)のコレクションであるCOVID-CT-MDデータセットにこれを適用することで,我々のアプローチを実証する。
実QAのスタンドインとしてSimulated Annealingを用いて,同桁のニューラルネットワークを用いた古典的伝達学習との比較を行い,その性能向上を図った。
我々の手法は、テスト精度とAUC-ROC-Scoreの点で、古典的なベースラインを一貫して上回り、これを行うには、より少ないトレーニングエポックを必要とする。
関連論文リスト
- Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
本研究は、画像分類タスクにおける量子コンピューティングと古典的機械学習の統合について検討する。
両パラダイムの強みを生かしたハイブリッド量子古典的アプローチを提案する。
実験結果から、ハイブリッドモデルが量子コンピューティングと古典的手法を統合する可能性を示す一方で、量子結果に基づいて訓練された最終モデルの精度は、圧縮された特徴に基づいて訓練された古典的モデルよりも低いことが示唆された。
論文 参考訳（メタデータ） (2024-08-05T22:16:27Z) - 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) - 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) - 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) - 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) - Multiclass classification using quantum convolutional neural networks
with hybrid quantum-classical learning [0.5999777817331318]
本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。
提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。
この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
論文 参考訳（メタデータ） (2022-03-29T09:07:18Z) - Classical-to-Quantum Transfer Learning for Spoken Command Recognition
Based on Quantum Neural Networks [13.485144642413907]
本研究では、音声コマンド認識(SCR)のための新しいハイブリッドエンドツーエンド量子ニューラルネットワーク(QNN)への機械学習アルゴリズム適用による転送学習の拡張について検討する。
我々は,事前学習した古典的ネットワークを,ハイブリッドQNNモデルの古典的部分に転送するハイブリッドトランスファー学習アルゴリズムを提案する。
Google音声コマンドデータセット上で,SCR用ハイブリッド古典量子QNNに適用したハイブリッドトランスファー学習アルゴリズムを評価する。
論文 参考訳（メタデータ） (2021-10-17T00:45:31Z) - On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing
Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。
この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。
マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文 参考訳（メタデータ） (2021-09-20T12:41:50Z) - RGB Image Classification with Quantum Convolutional Ansaetze [18.379304679643436]
本稿では,RGB画像上の畳み込み操作をシミュレートする2種類の量子回路アンセッツェを提案する。
我々の知る限りでは、これはRGB画像を効果的に扱う量子畳み込み回路の最初の作品である。
また、量子回路アンサッツの大きさとハイブリッド量子古典畳み込みニューラルネットワークの学習性との関係についても検討する。
論文 参考訳（メタデータ） (2021-07-23T09:38:59Z) - 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)
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。