論文の概要: Evaluating the Impact of Different Quantum Kernels on the Classification Performance of Support Vector Machine Algorithm: A Medical Dataset Application
- arxiv url: http://arxiv.org/abs/2407.09930v1
- Date: Sat, 13 Jul 2024 15:53:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 20:08:02.929250
- Title: Evaluating the Impact of Different Quantum Kernels on the Classification Performance of Support Vector Machine Algorithm: A Medical Dataset Application
- Title（参考訳）: 支援ベクトルマシンアルゴリズムの分類性能に及ぼす異なる量子カーネルの影響評価:医療データセットの応用
- Authors: Emine Akpinar, Sardar M. N. Islam, Murat Oduncuoglu,
- Abstract要約: 本研究では,QSVM-カーネルアルゴリズムを用いて,特徴マッピング手法が医療データ分類結果に与える影響について検討する。
その結果,最高の分類性能は,分類性能と総実行時間の両方で達成されたことがわかった。
本研究の貢献は, 特徴マッピング技術が医療データ分類結果に与える影響を明らかにすることである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The support vector machine algorithm with a quantum kernel estimator (QSVM-Kernel), as a leading example of a quantum machine learning technique, has undergone significant advancements. Nevertheless, its integration with classical data presents unique challenges. While quantum computers primarily interact with data in quantum states, embedding classical data into quantum states using feature mapping techniques is essential for leveraging quantum algorithms Despite the recognized importance of feature mapping, its specific impact on data classification outcomes remains largely unexplored. This study addresses this gap by comprehensively assessing the effects of various feature mapping methods on classification results, taking medical data analysis as a case study. In this study, the QSVM-Kernel method was applied to classification problems in two different and publicly available medical datasets, namely, the Wisconsin Breast Cancer (original) and The Cancer Genome Atlas (TCGA) Glioma datasets. In the QSVM-Kernel algorithm, quantum kernel matrices obtained from 9 different quantum feature maps were used. Thus, the effects of these quantum feature maps on the classification results of the QSVM-Kernel algorithm were examined in terms of both classifier performance and total execution time. As a result, in the Wisconsin Breast Cancer (original) and TCGA Glioma datasets, when Rx and Ry rotational gates were used, respectively, as feature maps in the QSVM-Kernel algorithm, the best classification performances were achieved both in terms of classification performance and total execution time. The contributions of this study are that (1) it highlights the significant impact of feature mapping techniques on medical data classification outcomes using the QSVM-Kernel algorithm, and (2) it also guides undertaking research for improved QSVM classification performance.
- Abstract（参考訳）: 量子カーネル推定器(QSVM-Kernel)を用いたサポートベクターマシンアルゴリズムは、量子機械学習技術の先駆けとして、大幅な進歩を遂げている。
それでも、古典的なデータとの統合は、ユニークな課題を呈している。
量子コンピュータは、主に量子状態のデータと相互作用するが、特徴マッピング技術を用いて古典的なデータを量子状態に埋め込むことは、量子アルゴリズムを活用する上で不可欠である。
本研究は,様々な特徴マッピング手法が分類結果に与える影響を包括的に評価し,医療データ分析を事例として扱うことにより,このギャップに対処する。
本研究では、QSVM-Kernel法を、ウィスコンシン乳がん(オリジナル)とThe Cancer Genome Atlas(TCGA)グリオーマデータセットの2つの異なる医用データセットの分類問題に適用した。
QSVM-Kernelアルゴリズムでは、9つの異なる量子特徴写像から得られた量子カーネル行列を用いた。
そこで,これらの量子特徴写像がQSVM-Kernelアルゴリズムの分類結果に与える影響を,分類器の性能と総実行時間の両方の観点から検討した。
その結果,ウィスコンシン乳癌(元)とTGAグリオーマデータセットでは,RxとRyの回転ゲートがそれぞれQSVM-カーネルアルゴリズムの特徴マップとして用いられ,分類性能と総実行時間の両方で最高の分類性能が得られた。
本研究の貢献は,(1)QSVM-Kernelアルゴリズムを用いた医療データ分類結果に対する特徴マッピング手法の有意な影響を強調し,(2)QSVM分類性能の向上に向けた研究の指針となることである。
関連論文リスト
- Non-Hemolytic Peptide Classification Using A Quantum Support Vector
Machine [4.573774555094676]
データが古典的な性質であるときに量子的優位性が存在するかどうかは不明である。
この研究は、計算生物学の分野における量子上の優位性を検証するための道を開いた。
論文 参考訳（メタデータ） (2024-02-06T09:50:06Z) - Kernel Alignment for Quantum Support Vector Machines Using Genetic
Algorithms [0.0]
我々は、QSVMカーネル回路におけるゲートシーケンス選択にGASP(Genetic Algorithm for State prepared)フレームワークを活用する。
古典的および量子的カーネルに対するベンチマークでは、GA生成回路が標準技術に適合または超えていることが明らかになった。
我々の自動フレームワークは、試行錯誤を低減し、ファイナンス、ヘルスケア、材料科学アプリケーションのためのQSVMベースの機械学習性能の改善を可能にします。
論文 参考訳（メタデータ） (2023-12-04T01:36:26Z) - Quantum-Enhanced Support Vector Machine for Large-Scale Stellar
Classification with GPU Acceleration [2.1374208474242815]
我々は,量子コンピューティングとGPUアクセラレーションのパワーを活用して,恒星分類のための革新的な量子強化支援ベクトルマシン(QSVM)アプローチを導入する。
我々のアルゴリズムはK-Nearest Neighbors (KNN) や Logistic Regression (LR) といった従来の手法をはるかに上回っている。
我々の発見は、天文学的な研究における量子機械学習の変革の可能性を強調し、恒星分類の精度と処理速度の両方において、大きな進歩を示している。
論文 参考訳（メタデータ） (2023-11-21T03:40:20Z) - Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
変動量子回路(VQC)における重み付けの考え方を紹介する。
我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。
以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
論文 参考訳（メタデータ） (2023-06-09T09:42:21Z) - 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) - Variational quantum one-class classifier [4.350783459690612]
一級分類は、幅広い応用のパターン認識における根本的な問題である。
本研究では,そのような問題に対する半教師付き量子機械学習アルゴリズムを提案し,変分量子一クラス分類器(VQOCC)と呼ぶ。
VQOCCの性能は、1クラスサポートベクトルマシン(OC-SVM)、カーネル主成分分析(PCA)、手書き桁とFashion-MNISTデータセットを用いたディープ畳み込みオートエンコーダ(DCAE)と比較される。
論文 参考訳（メタデータ） (2022-10-06T04:32:55Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳（メタデータ） (2022-04-26T09:52:02Z) - An Efficient Binary Harris Hawks Optimization based on Quantum SVM for
Cancer Classification Tasks [27.169643615242652]
この研究は、量子シミュレーターを用いたがん分類のための新しいハイブリッド量子カーネルサポートベクターマシン(QKSVM)と、バイナリハリスホーク最適化(BHHO)に基づく遺伝子選択を組み合わせたものである。
提案手法は大腸および乳房のマイクロアレイデータセットに適用され、BHHOにより全遺伝子および選択された遺伝子で評価される。
論文 参考訳（メタデータ） (2022-02-24T04:51:05Z) - Benchmarking Small-Scale Quantum Devices on Computing Graph Edit
Distance [52.77024349608834]
グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。
本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
論文 参考訳（メタデータ） (2021-11-19T12:35:26Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。