論文の概要: Hybrid Quantum-inspired Resnet and Densenet for Pattern Recognition
- arxiv url: http://arxiv.org/abs/2403.05754v3
- Date: Thu, 03 Oct 2024 11:58:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-04 23:27:49.701662
- Title: Hybrid Quantum-inspired Resnet and Densenet for Pattern Recognition
- Title（参考訳）: パターン認識のためのハイブリッド量子インスパイアされたResnetとDensenet
- Authors: Andi Chen, Hua-Lei Yin, Zeng-Bing Chen, Shengjun Wu,
- Abstract要約: パターン認識のための残差と高密度接続を有する2つのハイブリッド量子インスピレーションニューラルネットワークを提案する。
一般化パワーに関する数値実験の集まりは、我々のハイブリッドモデルが純粋古典モデルと同じ一般化パワーを持っていることを示している。
ある研究によると、我々のハイブリッドモデルの認識精度は、残差や密接な接続のない量子ニューラルネットワークの認識精度よりも2%-3%高い。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License:
- Abstract: In this paper, we propose two hybrid quantum-inspired neural networks with residual and dense connections respectively for pattern recognition. We explain the concrete frameworks and illustrate the potential superiority to prevent gradient explosion of our hybrid models. A group of numerical experiments about generalization power shows that our hybrid models possess the same generalization power as the pure classical models with different noisy datasets utilized. More importantly, another group of numerical experiments of robustness demonstrates that our hybrid models outperform pure classical models notably in resistance to parameter attacks with various asymmetric noises. Also, an ablation study indicate that the recognition accuracy of our hybrid models is 2\%-3\% higher than that of the quantum neural network without residual or dense connection. Eventually, we discuss the application scenarios of our hybrid models by analyzing their computational complexities.
- Abstract（参考訳）: 本稿では,パターン認識のための残差と高密度接続を有する2つのハイブリッド量子インスピレーションニューラルネットワークを提案する。
具体的な枠組みを説明し、ハイブリッドモデルの勾配爆発を防止するための潜在的な優位性を示す。
一般化パワーに関する数値実験のグループは、我々のハイブリッドモデルが、異なるノイズデータセットを用いた純粋古典モデルと同じ一般化パワーを持つことを示した。
さらに重要なことに、ロバスト性に関する別の数値実験のグループは、我々のハイブリッドモデルは、様々な非対称ノイズを持つパラメータ攻撃に対する抵抗において、純粋古典モデルよりも優れていることを示した。
また、アブレーション実験により、我々のハイブリッドモデルの認識精度は、残差や密接な接続のない量子ニューラルネットワークの認識精度よりも2\%-3\%高いことが示されている。
最終的には,それらの計算複雑性を解析してハイブリッドモデルの応用シナリオを論じる。
関連論文リスト
- An ensemble framework approach of hybrid Quantum convolutional neural networks for classification of breast cancer images [2.1659912179830023]
量子ニューラルネットワークは、ネットワークモデルを学習してスケールアップする能力において、古典的なニューラルネットワークを置き換えるのに適していると考えられている。
医用画像分類は、ディープラーニング、特に畳み込みニューラルネットワークの応用によく関係している。
論文 参考訳（メタデータ） (2024-09-24T10:43:27Z) - HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology [7.230055455268642]
本稿では,個人化された心臓デジタル双生児を記述するための新しいハイブリッド・モデリング・フレームワークを提案する。
そこで我々は,物理系と神経系の両方のコンポーネントを識別するための新しいメタラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-15T02:30:00Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - Adversarial attacks on hybrid classical-quantum Deep Learning models for
Histopathological Cancer Detection [0.0]
この研究は、ハイブリッド古典量子ディープラーニングモデルの2つの主要な応用を強調している。
我々は、ペニレーンのデフォルト量子シミュレータを用いた古典モデルとハイブリッド古典量子モデルのパフォーマンスの精度を比較した。
論文 参考訳（メタデータ） (2023-09-08T06:37:54Z) - Bias in Pruned Vision Models: In-Depth Analysis and Countermeasures [93.17009514112702]
ニューラルネットワークのパラメータのかなりの部分集合をゼロに設定するプルーニングは、モデル圧縮の最も一般的な方法の1つである。
この現象の既存の証拠にもかかわらず、ニューラルネットワークのプルーニングと誘導バイアスの関係はよく理解されていない。
論文 参考訳（メタデータ） (2023-04-25T07:42:06Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - Robust Hybrid Learning With Expert Augmentation [31.911717646180886]
我々は、textitexpert augmentation と呼ばれるハイブリッドデータ拡張戦略を導入する。
既存のハイブリッドシステムに組み込むことのできるエキスパート強化が一般化を改善することを実証する。
また、実際の2重振り子のデータセット上で、専門家増強の現実的適用可能性を評価する。
論文 参考訳（メタデータ） (2022-02-08T14:11:04Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳（メタデータ） (2020-02-20T15:43:02Z)
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。