論文の概要: Efficient Quantum One-Class Support Vector Machines for Anomaly Detection Using Randomized Measurements and Variable Subsampling

• arxiv url: http://arxiv.org/abs/2407.20753v1
• Date: Tue, 30 Jul 2024 11:55:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 17:19:48.826377
• Title: Efficient Quantum One-Class Support Vector Machines for Anomaly Detection Using Randomized Measurements and Variable Subsampling
• Title（参考訳）: ランダム化計測と可変サブサンプリングを用いた異常検出のための効率的な量子ワンクラス支援ベクトルマシン
• Authors: Michael Kölle, Afrae Ahouzi, Pascal Debus, Elif Çetiner, Robert Müller, Daniëlle Schuman, Claudia Linnhoff-Popien,
• Abstract要約: 量子一級サポートベクトルマシンは、半教師付き異常検出における量子カーネル法の利点を利用する。 量子ランダム化計測カーネルと可変サブサンプリングが、この問題に対処するための2つの独立した方法として提案された。 現在の作業では、データサイズと機能数の両方で線形時間複雑性を達成するために、これらの2つのメソッドと、回転した機能バッジを組み合わせることに重点を置いている。
• 参考スコア（独自算出の注目度）: 5.23043157509344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum one-class support vector machines leverage the advantage of quantum kernel methods for semi-supervised anomaly detection. However, their quadratic time complexity with respect to data size poses challenges when dealing with large datasets. In recent work, quantum randomized measurements kernels and variable subsampling were proposed, as two independent methods to address this problem. The former achieves higher average precision, but suffers from variance, while the latter achieves linear complexity to data size and has lower variance. The current work focuses instead on combining these two methods, along with rotated feature bagging, to achieve linear time complexity both to data size and to number of features. Despite their instability, the resulting models exhibit considerably higher performance and faster training and testing times.
• Abstract（参考訳）: 量子一級サポートベクトルマシンは、半教師付き異常検出における量子カーネル法の利点を利用する。 しかし、データサイズに関する2次時間の複雑さは、大規模なデータセットを扱う際の課題を引き起こす。 近年、量子ランダム化計測カーネルと可変サブサンプリングが、この問題に対処するための2つの独立した方法として提案されている。 前者は高い平均精度を達成するが、分散に苦しむ一方、後者はデータサイズに対する線形複雑さを達成し、ばらつきを小さくする。 現在の作業では、データサイズと機能数の両方で線形時間複雑性を達成するために、これらの2つのメソッドと、回転した機能バッジを組み合わせることに重点を置いている。 その不安定さにもかかわらず、結果として得られたモデルは、かなり高いパフォーマンスと、より高速なトレーニングとテスト時間を示す。

関連論文リスト

• Towards efficient deep autoencoders for multivariate time series anomaly detection [0.8681331155356999]
  本稿では,3つの要素を含むディープオートエンコーダの圧縮手法を提案する。 第一に、プルーニングは、高速な探索プロセスにより、破滅的な精度の低下を防止しつつ、重量を減らす。 第二に、線形および非線形量子化は、各重みごとにビット数を減らし、モデルの複雑さを減少させる。
  論文  参考訳（メタデータ） (2024-03-04T19:22:09Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Towards Efficient Quantum Anomaly Detection: One-Class SVMs using Variable Subsampling and Randomized Measurements [4.180897432770239]
  量子コンピューティングは、カーネル計算とモデルの精度を大幅に向上させる。 本稿では,量子カーネルの評価にランダム化計測を利用する方法と,可変サブサンプリングアンサンブル法を提案する。 実験の結果, トレーニング時間と推論時間は最大95%, 25%減少した。 不安定ではあるが、ランダム化測定の平均精度は古典的ラジアル基底関数カーネルのそれを上回っている。
  論文  参考訳（メタデータ） (2023-12-14T17:42:18Z)
• 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)
• Efficient formulation of multitime generalized quantum master equations: Taming the cost of simulating 2D spectra [0.0]
  本稿では,GQMEフレームワークを拡張した従来の作業の計算コストを大幅に単純化し,削減する定式化を提案する。 具体的には, 修正された森-中島-Zwanzigフレームワークから, 量子相関関数の時間微分を除去する。 また、スペクトルを1-, 2-, 3時間相関に分解し、システムがマルコフ体制に入る時期を示す。
  論文  参考訳（メタデータ） (2023-10-30T21:16:04Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Quantum Sparse Coding [5.130440339897477]
  我々はスパース符号化のための量子インスピレーション付きアルゴリズムを開発した。 量子コンピュータとイジングマシンの出現は、より正確な推定につながる可能性がある。 我々はLightrの量子インスパイアされたデジタルプラットフォーム上でシミュレーションデータを用いて数値実験を行う。
  論文  参考訳（メタデータ） (2022-09-08T13:00:30Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth Nonlinear TD Learning [145.54544979467872]
  本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。 本研究の結果は, 同時一次および二重側収束の形で表される。
  論文  参考訳（メタデータ） (2020-08-23T20:36:49Z)
• Longitudinal Deep Kernel Gaussian Process Regression [16.618767289437905]
  縦型ディープカーネルプロセスレグレッション(L-DKGPR)を導入する。 L-DKGPRは、縦方向のデータから複雑な多レベル相関構造の発見を自動化する。 そこで我々は,L-DKGPRを学習するための効率的なアルゴリズムを,遅延空間誘導点と変分推論を用いて導出した。
  論文  参考訳（メタデータ） (2020-05-24T15:10:48Z)

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。