論文の概要: A novel feature selection method based on quantum support vector machine
- arxiv url: http://arxiv.org/abs/2311.17646v1
- Date: Wed, 29 Nov 2023 14:08:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 21:06:09.104909
- Title: A novel feature selection method based on quantum support vector machine
- Title（参考訳）: 量子支持ベクトルマシンを用いた新しい特徴選択法
- Authors: Haiyan Wang
- Abstract要約: 特徴の選択は、次元を減らし、モデルの精度と効率を改善するために機械学習において重要である。
本稿では,量子支援ベクトルマシンと遺伝的アルゴリズムを統合した量子支援ベクトルマシン特徴選択法(QSVMF)を提案する。
乳がんデータセットの特徴選択にQSVMFを適用し、QSVMFの性能と古典的アプローチを比較した。
- 参考スコア（独自算出の注目度）: 3.6953740776904924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feature selection is critical in machine learning to reduce dimensionality
and improve model accuracy and efficiency. The exponential growth in feature
space dimensionality for modern datasets directly results in ambiguous samples
and redundant features, which can severely degrade classification accuracy.
Quantum machine learning offers potential advantages for addressing this
challenge. In this paper, we propose a novel method, quantum support vector
machine feature selection (QSVMF), integrating quantum support vector machines
with multi-objective genetic algorithm. QSVMF optimizes multiple simultaneous
objectives: maximizing classification accuracy, minimizing selected features
and quantum circuit costs, and reducing feature covariance. We apply QSVMF for
feature selection on a breast cancer dataset, comparing the performance of
QSVMF against classical approaches with the selected features. Experimental
results show that QSVMF achieves superior performance. Furthermore, The Pareto
front solutions of QSVMF enable analysis of accuracy versus feature set size
trade-offs, identifying extremely sparse yet accurate feature subsets. We
contextualize the biological relevance of the selected features in terms of
known breast cancer biomarkers. This work highlights the potential of
quantum-based feature selection to enhance machine learning efficiency and
performance on complex real-world data.
- Abstract（参考訳）: 特徴の選択は、次元を減らし、モデルの精度と効率を改善するために機械学習において重要である。
現代のデータセットの特徴空間次元の指数的増加は、不明瞭なサンプルと冗長な特徴を直接的に引き起こし、分類精度を著しく低下させる。
量子機械学習は、この問題に対処する潜在的な利点を提供する。
本稿では,量子サポートベクターマシンと多目的遺伝的アルゴリズムを統合する新しい手法である量子サポートベクターマシン特徴選択(qsvmf)を提案する。
QSVMFは、分類精度の最大化、選択された特徴と量子回路コストの最小化、特徴の共分散の低減など、複数の同時目的を最適化する。
乳癌データセットの特徴選択にQSVMFを適用し,QSVMFの性能と古典的アプローチとの比較を行った。
実験の結果,QSVMFは優れた性能を示した。
さらに、QSVMFのParetoフロントソリューションは、機能セットサイズのトレードオフに対する精度の分析を可能にし、非常にスパースで正確な機能サブセットを特定します。
乳がんバイオマーカーから選択した特徴の生物学的関連性について検討した。
本研究は、複雑な実世界のデータに対する機械学習の効率とパフォーマンスを高めるために、量子ベースの機能選択の可能性を強調している。
関連論文リスト
- Evaluating the Performance of a D-Wave Quantum Annealing System for Feature Subset Selection in Software Defect Prediction [8.626933144631955]
D-Wave Quantum Processing Unit (QPU) を特徴量選択のためのQAソルバとして使用する。
AEEM、データセット、NASAプロジェクトからの複数のソフトウェア欠陥を用いてこのアプローチの性能を評価する。
実験の結果,QAに基づく機能サブセットの選択により,ソフトウェアの欠陥予測が向上することが示された。
論文 参考訳（メタデータ） (2024-10-21T19:58:25Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Evolutionary quantum feature selection [0.0]
本研究では,量子回路進化(QCE)アルゴリズムを用いた量子特徴選択法(EQFS)を提案する。
提案手法は,浅部深度回路を用いてスパース確率分布を生成するQCEのユニークな機能を利用する。
計算実験により、EQFSは特徴数の2次スケーリングと良い特徴の組み合わせを識別できることを示した。
論文 参考訳（メタデータ） (2023-03-13T14:01:37Z) - Feature Selection for Classification with QAOA [11.516147824168732]
特徴選択は機械学習において非常に重要であり、分類、ランク付け、予測問題の次元化に使用できる。
我々は特に、すでに最適化に使われている近似量子最適化(QAOA)に対処できる二次的特徴選択問題を考える。
実験では,次元が21まで異なる7つの実世界のデータセットについて検討し,量子シミュレータと小型データセットの両方でQAOAを実行する。
論文 参考訳（メタデータ） (2022-11-05T09:28:53Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Quantum-Enhanced Selection Operators for Evolutionary Algorithms [0.0]
遺伝的アルゴリズムの選択機構において量子化演算子を用いて得られた結果について検討する。
これらの量子化アルゴリズムを古典的アルゴリズムに対してベンチマークする。
論文 参考訳（メタデータ） (2022-06-21T21:36:39Z) - Post-Training Quantization for Vision Transformer [85.57953732941101]
本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。
約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
論文 参考訳（メタデータ） (2021-06-27T06:27:22Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳（メタデータ） (2021-03-24T21:17:17Z) - Towards Explainable Exploratory Landscape Analysis: Extreme Feature
Selection for Classifying BBOB Functions [4.932130498861987]
驚くほど少数の機能(多くの場合4つ未満)が、98%の精度を達成するのに十分であることを示している。
分類精度は、いくつかのインスタンスがトレーニングやテストに関わっている設定に変換されることを示す。
論文 参考訳（メタデータ） (2021-02-01T10:04:28Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳（メタデータ） (2020-02-03T04:11:13Z)
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。