論文の概要: Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance

• arxiv url: http://arxiv.org/abs/2405.09377v2
• Date: Mon, 04 Nov 2024 21:27:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:55:51.500514
• Title: Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance
• Title（参考訳）: Strategic Data Re-Uploads: 量子分類の改善への道 - 量子分類器の性能向上のための再アップロード戦略-
• Authors: S. Aminpour, Y. Banad, S. Sharif,
• Abstract要約: 古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。 線形分類パターン(LCP)と非線形分類パターン(NLCP)の2つの分類パターンに対するアプローチを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Quantum machine learning (QML) is a promising field that explores the applications of quantum computing to machine learning tasks. A significant hurdle in the advancement of quantum machine learning lies in the development of efficient and resilient quantum classifiers capable of accurately mapping input data to specific, discrete target outputs. In this paper, we propose a novel approach to improve quantum classifier performance by using a data re-uploading strategy. Re-uploading classical information into quantum states multiple times can enhance the accuracy of quantum classifiers. We investigate the effects of different cost functions, such as fidelity and trace distance, on the optimization process and the classification results. We demonstrate our approach to two classification patterns: a linear classification pattern (LCP) and a non-linear classification pattern (NLCP). We evaluate the efficacy of our approach by benchmarking it against four distinct optimization techniques: L-BFGS-B, COBYLA, Nelder-Mead, and SLSQP. Additionally, we study the different impacts of fixed datasets and random datasets. Our results show that our approach can achieve high classification accuracy and robustness and outperform the existing quantum classifier models.
• Abstract（参考訳）: 量子機械学習(QML)は、量子コンピューティングの機械学習タスクへの応用を探求する有望な分野である。 量子機械学習の進歩における重要なハードルは、入力データを特定の個別の目標出力に正確にマッピングできる効率的でレジリエントな量子分類器の開発にある。 本稿では,データ再ロード戦略を用いて量子分類器の性能を向上させる新しい手法を提案する。 古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。 最適化プロセスと分類結果に対する,忠実度やトレース距離などの異なるコスト関数の影響について検討する。 本稿では,線形分類パターン (LCP) と非線形分類パターン (NLCP) の2つの分類パターンについて述べる。 提案手法の有効性を,L-BFGS-B,COBYLA,Nelder-Mead,SLSQPの4つの最適化手法と比較して評価した。 さらに、固定データセットとランダムデータセットの異なる影響について検討する。 提案手法は,高い分類精度とロバスト性を実現し,既存の量子分類器モデルより優れていることを示す。

関連論文リスト

• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクに焦点を当てた量子カーネル推定(QKE)と量子カーネルトレーニング(QKT)のベンチマーク研究を行う。 ZZFeatureMapとCovariantFeatureMapという2つの量子特徴写像がこの文脈で分析される。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• Quantum Data Encoding: A Comparative Analysis of Classical-to-Quantum Mapping Techniques and Their Impact on Machine Learning Accuracy [0.0]
  本研究では,古典的機械学習(ML)アルゴリズムへの量子データ埋め込み技術の統合について検討する。 その結果,量子データの埋め込みは,分類精度とF1スコアの向上に寄与することが判明した。
  論文  参考訳（メタデータ） (2023-11-17T08:00:08Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Classical-to-Quantum Transfer Learning Facilitates Machine Learning with Variational Quantum Circuit [62.55763504085508]
  本稿では,変分量子回路(VQC)を用いた古典的量子移動学習アーキテクチャにより,VQCモデルの表現と一般化(推定誤差)が向上することを証明する。 古典-量子遷移学習のアーキテクチャは、事前学習された古典的生成AIモデルを活用し、訓練段階におけるVQCの最適パラメータの発見を容易にする。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)
• Active Learning on a Programmable Photonic Quantum Processor [6.762439942352232]
  量子機械学習モデルのトレーニングには大きなラベル付きデータセットが必要で、高いラベル付けと計算コストが発生する。 このようなコストを削減するため、アクティブラーニング(AL)と呼ばれる選択的なトレーニング戦略では、学習対象とする元のデータセットのサブセットのみを選択する。 本稿では、量子機械学習におけるALの潜在的な応用と有効性を検討するために、2つのALを用いた変分量子分類器を設計、実装する。
  論文  参考訳（メタデータ） (2022-08-03T14:34:12Z)
• Variational Quantum Approximate Support Vector Machine With Inference Transfer [0.8057006406834467]
  複素データの超線形分類のためのカーネルベースの量子機械学習手法を提案する。 サポートベクトルマシンは、量子回路上で本質的にかつ明示的に実現することができる。 虹彩データ分類の精度は98.8%に達した。
  論文  参考訳（メタデータ） (2022-06-29T09:56:59Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches [0.0]
  バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。 ノイズの多いデータセットは 財務的なデータセットの中にあります 新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
  論文  参考訳（メタデータ） (2021-11-05T10:29:05Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。