論文の概要: Quantum Transfer Learning with Adversarial Robustness for Classification
of High-Resolution Image Datasets
- arxiv url: http://arxiv.org/abs/2401.17009v1
- Date: Tue, 30 Jan 2024 13:45:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:08:58.762470
- Title: Quantum Transfer Learning with Adversarial Robustness for Classification
of High-Resolution Image Datasets
- Title(参考訳): 高分解能画像データセットの分類のための逆ロバスト性をもつ量子伝達学習
- Authors: Amena Khatun and Muhammad Usman
- Abstract要約: 本稿では,量子変動回路をImageNetデータセット上に事前学習した古典的機械学習ネットワークと統合する量子トランスファー学習アーキテクチャを提案する。
転送学習を伴わずに、古典的および量子機械学習に対するQTLアプローチの優れた性能を示す。
- 参考スコア(独自算出の注目度): 1.7246639313869705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The application of quantum machine learning to large-scale high-resolution
image datasets is not yet possible due to the limited number of qubits and
relatively high level of noise in the current generation of quantum devices. In
this work, we address this challenge by proposing a quantum transfer learning
(QTL) architecture that integrates quantum variational circuits with a
classical machine learning network pre-trained on ImageNet dataset. Through a
systematic set of simulations over a variety of image datasets such as Ants &
Bees, CIFAR-10, and Road Sign Detection, we demonstrate the superior
performance of our QTL approach over classical and quantum machine learning
without involving transfer learning. Furthermore, we evaluate the adversarial
robustness of QTL architecture with and without adversarial training,
confirming that our QTL method is adversarially robust against data
manipulation attacks and outperforms classical methods.
- Abstract(参考訳): 量子機械学習を大規模高解像度画像データセットに適用することは、量子ビット数の制限と、量子デバイスの現世代の比較的高いノイズのため、まだ不可能である。
本研究では、量子変動回路と、ImageNetデータセット上に事前トレーニングされた古典的機械学習ネットワークを統合する量子トランスファーラーニング(QTL)アーキテクチャを提案する。
我々は、Ants & Bees、CIFAR-10、Road Sign Detectionなどのさまざまな画像データセットに対するシステマティックなシミュレーションを通じて、転移学習を伴わずに古典的および量子機械学習に対するQTLアプローチの優れた性能を実証する。
さらに,QTL手法がデータ操作攻撃に対して逆向きに頑健であり,古典的手法よりも優れていたことを確認し,QTLアーキテクチャの対角的堅牢性を評価する。
関連論文リスト
- Towards Transfer Learning for Large-Scale Image Classification Using
Annealing-based Quantum Boltzmann Machines [7.106829260811707]
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。
論文 参考訳(メタデータ) (2023-11-27T16:07:49Z) - Exploiting the Quantum Advantage for Satellite Image Processing: Review
and Assessment [1.3597551064547502]
本稿では,地球観測(EO)と衛星画像における量子コンピューティングの現状について述べる。
衛星データを扱う際の量子学習モデルの潜在的な限界と応用について分析する。
論文 参考訳(メタデータ) (2023-08-18T10:34:34Z) - 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) - Quantum machine learning for image classification [62.997667081978825]
我々のハイブリッド量子アプローチの1つは、MNISTデータセットで99%以上の顕著な精度を示す。
要約して,本研究は,量子機械学習技術を用いた画像認識と分類の改善に関する継続的な研究に寄与する。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳(メタデータ) (2023-04-04T12:47:35Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - Reflection Equivariant Quantum Neural Networks for Enhanced Image
Classification [0.7232471205719458]
我々は、データに固有の対称性を明示的に尊重する新しい機械学習モデル、いわゆる幾何量子機械学習(GQML)を構築した。
これらのネットワークは、複雑な実世界の画像データセットに対する一般的なアンサーゼを一貫して、そして著しく向上させることができる。
論文 参考訳(メタデータ) (2022-12-01T04:10:26Z) - 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) - Generation of High-Resolution Handwritten Digits with an Ion-Trap
Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。
我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文 参考訳(メタデータ) (2020-12-07T18:51:28Z) - Quantum-enhanced data classification with a variational entangled sensor
network [3.1083620257082707]
絡み合ったセンサーネットワーク(SLAEN)によって補助される監視学習は、古典的な機械学習アルゴリズムによって訓練されたVQCを利用する、独立したパラダイムである。
我々の研究は、NISQ時代における量子化データ処理の新たな道のりを開拓している。
論文 参考訳(メタデータ) (2020-06-22T01:22:33Z) - Higher-Order Quantum Reservoir Computing [0.0]
本稿では,線形フィードバックなどの古典的接続を介して相互に通信する,複数だが小さな量子システムからなるハイブリッド量子古典的フレームワークを提案する。
大規模非線形力学系をエミュレートする際のフレームワークの有効性を示す。
論文 参考訳(メタデータ) (2020-06-16T08:54:04Z)
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。