論文の概要: Quantum Bayes Classifiers and Their Application in Image Classification

• arxiv url: http://arxiv.org/abs/2401.01588v1
• Date: Wed, 3 Jan 2024 07:40:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-04 14:43:29.524960
• Title: Quantum Bayes Classifiers and Their Application in Image Classification
• Title（参考訳）: 量子ベイズ分類器とその画像分類への応用
• Authors: Ming-Ming Wang, Xiao-Ying Zhang
• Abstract要約: 量子ベイズ分類器(QBC)の構築と、素性QBCと3つの半素性QBC(SN-QBC)の設計について検討する。 局所特徴抽出法を用いて,画像から限られた数の特徴を抽出し,計算複雑性を低減する。 我々は、これらのQBCをMindQuantum量子プラットフォーム上でシミュレートし、MNISTおよびFashion-MNISTデータセット上でテストする。
• 参考スコア（独自算出の注目度）: 8.62680439729425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian networks are powerful tools for probabilistic analysis and have been widely used in machine learning and data science. Unlike the parameters learning mode of neural networks, Bayes classifiers only use sample features to determine the classification results without a time-consuming training process. We study the construction of quantum Bayes classifiers (QBCs) and design a naive QBC and three semi-naive QBCs (SN-QBCs). These QBCs are applied to image classification. A local features sampling method is employed to extract a limited number of features from images to reduce the computational complexity. These features are then used to construct Bayesian networks and generate QBCs. We simulate these QBCs on the MindQuantum quantum platform and test them on the MNIST and Fashion-MNIST datasets. Results show that these QBCs based on a limited number of features exhibit good classification accuracies. The classification accuracies of QBCs on the MNIST dataset surpass that of the classical Bayesian network and quantum neural networks that utilize all feature points.
• Abstract（参考訳）: ベイズネットワークは確率解析の強力なツールであり、機械学習やデータサイエンスで広く使われている。 ニューラルネットワークのパラメータ学習モードとは異なり、ベイズ分類器はサンプル特徴のみを使用して、時間を要するトレーニングプロセスなしで分類結果を決定する。 量子ベイズ分類器 (QBC) の構築と, 素性QBCと半素性QBC (SN-QBC) の設計について検討した。 これらのQBCは画像分類に適用される。 局所特徴抽出法を用いて,画像から限られた数の特徴を抽出し,計算複雑性を低減する。 これらの機能はベイジアンネットワークの構築とQBCの生成に使用される。 我々は、これらのQBCをMindQuantum量子プラットフォーム上でシミュレートし、MNISTおよびFashion-MNISTデータセット上でテストする。 以上の結果から,これらのQBCの分類精度は良好であることが示唆された。 MNISTデータセット上のQBCの分類精度は、すべての特徴点を利用する古典的ベイズ的ネットワークと量子ニューラルネットワークのそれを上回る。

関連論文リスト

• Satellite image classification with neural quantum kernels [0.0699049312989311]
  量子カーネルを使用して、ソーラーパネルを含むイメージを分類します。 後者では、拡張性を確保するために$n$-qubit QNNを反復的にトレーニングし、結果のアーキテクチャを使って$n$-qubit EQKを直接生成します。 結果はQNNの準最適トレーニングに対して堅牢である。
  論文  参考訳（メタデータ） (2024-09-30T14:52:00Z)
• Quantum Convolutional Neural Networks are (Effectively) Classically Simulable [0.3562485774739681]
  量子畳み込みニューラルネットワーク(QCNN)は量子機械学習(QML)の有望なモデルとして広く見なされている QCNNは入力状態の低身長測定で符号化された情報のみを操作可能であることを示す。 物質分類のフェーズに対して,QCNNの最大1024ドルキュービットに対するシャドーベースシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-08-22T21:46:19Z)
• Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
  スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。 動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。 以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T16:48:33Z)
• Quantum Active Learning [3.3202982522589934]
  量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。 QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。 我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
  論文  参考訳（メタデータ） (2024-05-28T14:39:54Z)
• The role of data embedding in equivariant quantum convolutional neural networks [2.255961793913651]
  等変量子ニューラルネットワーク(EQNN)の性能に及ぼす古典量子埋め込みの影響について検討する。 等価な量子畳み込みニューラルネットワーク(QCNN)から得られた3種類の振幅埋め込みと、EQCNNの分類精度を数値的に比較する。
  論文  参考訳（メタデータ） (2023-12-20T18:25:15Z)
• 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)
• 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)
• 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)
• Dive into Layers: Neural Network Capacity Bounding using Algebraic Geometry [55.57953219617467]
  ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。 入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。 実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
  論文  参考訳（メタデータ） (2021-09-03T11:45:51Z)
• CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
  クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。 我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
  論文  参考訳（メタデータ） (2021-05-10T07:31:59Z)
• 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。