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
- Experimentally Realizable Continuous-variable Quantum Neural Networks [0.0]
連続可変(CV)量子コンピューティングは、ニューラルネットワークモデルを構築する大きな可能性を示している。
CVニューラルネットワークプロトコルに関するこれまでの研究は、ネットワーク内の非ガウス演算子の実装を必要としていた。
我々は、現在のフォトニック量子ハードウェアで実験的に実現可能なCVハイブリッド量子古典ニューラルネットワークプロトコルを構築した。
論文 参考訳(メタデータ) (2023-06-05T01:18:41Z) - 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) - 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) - 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) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳(メタデータ) (2021-09-05T15:15:07Z) - Quantum convolutional neural network for classical data classification [0.8057006406834467]
古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。
本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2021-08-02T06:48:34Z) - Branching Quantum Convolutional Neural Networks [0.0]
小型量子コンピュータは、大規模量子および非常に大規模な古典的データセット上での学習タスクにおいて、既に潜在的な増加を見せている。
本稿では、分岐量子畳み込みニューラルネットワークであるQCNN(bQCNN)を、かなり高い表現性で一般化する。
論文 参考訳(メタデータ) (2020-12-28T19:00:03Z) - 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) - 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。