論文の概要: QUSL: Quantum Unsupervised Image Similarity Learning with Enhanced Performance
- arxiv url: http://arxiv.org/abs/2404.02028v4
- Date: Thu, 22 Aug 2024 03:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 19:25:36.550225
- Title: QUSL: Quantum Unsupervised Image Similarity Learning with Enhanced Performance
- Title（参考訳）: QUSL: 高性能な量子教師なし画像類似学習
- Authors: Lian-Hui Yu, Xiao-Yu Li, Geng Chen, Qin-Sheng Zhu, Hui Li, Guo-Wu Yang,
- Abstract要約: QUSLは教師なし学習に類似した三つ子を使用し、アンカー画像の摂動によって正のサンプルを生成する。
臨界量子資源の利用を50%以上削減する。
量子リソースが少ない一方で、QUSLは大規模な教師なしタスクの可能性を示している。
- 参考スコア（独自算出の注目度）: 14.288836269941207
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Leveraging quantum properties to enhance complex learning tasks has been proven feasible, with excellent recent achievements in the field of unsupervised learning. However, current quantum schemes neglect adaptive adjustments for unsupervised task scenarios. This work proposes a novel quantum unsupervised similarity learning method, QUSL. Firstly, QUSL uses similarity triplets for unsupervised learning, generating positive samples by perturbing anchor images, achieving a learning process independent of classical algorithms. Subsequently, combining the feature interweaving of triplets, QUSL employs metaheuristic algorithms to systematically explore high-performance mapping processes, obtaining quantum circuit architectures more suitable for unsupervised image similarity tasks. Ultimately, QUSL realizes feature learning with lower quantum resource costs. Comprehensive numerical simulations and experiments on quantum computers demonstrate that QUSL outperforms state-of-the-art quantum methods. QUSL achieves over 50% reduction in critical quantum resource utilization. QUSL improves similarity detection correlation by up to 19.5% across multiple datasets, exhibiting robustness in NISQ environments. While using fewer quantum resources, QUSL shows potential for large-scale unsupervised tasks.
- Abstract（参考訳）: 複雑な学習タスクを強化するために量子特性を活用することは、非教師なし学習の分野での優れた成果とともに、実現可能であることが証明されている。
しかし、現在の量子スキームは教師なしタスクシナリオの適応調整を無視している。
本研究は量子教師なし類似性学習法QUSLを提案する。
まず、QUSLは教師なし学習に類似度三重項を使用し、アンカーイメージを摂動することで正のサンプルを生成し、古典的なアルゴリズムに依存しない学習プロセスを達成する。
その後、QUSLはメタヒューリスティックアルゴリズムを用いてハイパフォーマンスマッピングプロセスを体系的に探索し、教師なし画像類似性タスクにより適した量子回路アーキテクチャを得る。
最終的に、QUSLは、より低い量子リソースコストで機能学習を実現する。
量子コンピュータに関する総合的な数値シミュレーションと実験により、QUSLは最先端の量子法よりも優れていることを示した。
QUSLは、臨界量子資源の利用を50%以上削減する。
QUSLは、複数のデータセットで最大19.5%の類似性検出相関を改善し、NISQ環境で堅牢性を示す。
量子リソースが少ない一方で、QUSLは大規模な教師なしタスクの可能性を示している。
関連論文リスト
- Hybrid Quantum-Classical Reinforcement Learning in Latent Observation Spaces [0.36944296923226316]
量子機械学習の最近の進歩は、古典的な制御問題に取り組むために量子法を使うことに関心を喚起している。
本稿では,古典的オートエンコーダと量子エージェントを併用して,この次元課題を解決することを提案する。
遅延空間学習法の性能解析のために, 一連の数値実験を設計する。
論文 参考訳（メタデータ） (2024-10-23T21:19:38Z) - Exploring Quantum-Enhanced Machine Learning for Computer Vision: Applications and Insights on Noisy Intermediate-Scale Quantum Devices [0.0]
本研究では,量子コンピューティングと機械学習(ML)の交わりについて検討する。
小型量子デバイスにおけるデータ再ロード方式やGAN(Generative Adversarial Networks)モデルなどのハイブリッド量子古典アルゴリズムの有効性を評価する。
論文 参考訳（メタデータ） (2024-04-01T20:55:03Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Multimodal deep representation learning for quantum cross-platform
verification [60.01590250213637]
初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。
本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。
我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
論文 参考訳（メタデータ） (2023-11-07T04:35:03Z) - SLIQ: Quantum Image Similarity Networks on Noisy Quantum Computers [9.537660328139038]
SLIQは、リソース効率のよい量子類似性検出ネットワークのための、初めてのオープンソースの研究である。
実用的で効果的な量子学習と分散還元アルゴリズムで構築されている。
論文 参考訳（メタデータ） (2023-09-26T20:33:26Z) - 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) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Variational Quantum Soft Actor-Critic [1.90365714903665]
本研究では,連続制御の最先端手法の一つであるソフトアクター批判に基づく量子強化学習アルゴリズムを開発した。
この量子版のソフトアクター・クリティックは、調整可能なパラメータをはるかに少なくして、オリジナルのソフトアクター・クリティックに匹敵することを示す。
論文 参考訳（メタデータ） (2021-12-20T06:31:06Z) - An unsupervised feature learning for quantum-classical convolutional
network with applications to fault detection [5.609958919699706]
本稿では,量子特徴抽出器の階層構造を学習するために,量子古典的畳み込みネットワークのための単純な教師なし手法を提案する。
提案手法の主な貢献は、量子回路アンサッツにおける量子特性の差を最大化するために、$K$-meansクラスタリングを使用することである。
論文 参考訳（メタデータ） (2021-07-17T03:16:59Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
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。