Fugu-MT 論文翻訳(概要): Benchmarking quantum machine learning kernel training for classification tasks

論文の概要: Benchmarking quantum machine learning kernel training for classification tasks

arxiv url: http://arxiv.org/abs/2408.10274v1
Date: Sat, 17 Aug 2024 10:53:06 GMT
ステータス: 処理完了
システム内更新日: 2024-08-21 18:28:07.421484
Title: Benchmarking quantum machine learning kernel training for classification tasks
Title（参考訳）: 分類タスクのための量子機械学習カーネルトレーニングのベンチマーク
Authors: Diego Alvarez-Estevez,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantum-enhanced machine learning is a rapidly evolving field that aims to leverage the unique properties of quantum mechanics to enhance classical machine learning. However, the practical applicability of these methods remains an open question, particularly in the context of real-world datasets and the limitations of current quantum hardware. This work performs a benchmark study of Quantum Kernel Estimation (QKE) and Quantum Kernel Training (QKT) with a focus on classification tasks. Through a series of experiments, the versatility and generalization capabilities of two quantum feature mappings, namely ZZFeatureMap and CovariantFeatureMap, are analyzed in this context. Remarkably, these feature maps have been proposed in the literature under the conjecture of possible near-term quantum advantage and have shown promising performance in ad-hoc datasets. This study explores both artificial and established reference datasets and incorporates classical machine learning methods, specifically Support Vector Machines (SVMs) and logistic regression, as baseline comparisons. Experimental results indicate that quantum methods exhibit varying performance across different datasets. While they outperform classical methods in ad-hoc datasets, they frequently encounter difficulties in generalizing to unseen test data when dealing with reference classical datasets, even if achieving high classification accuracy on the training data. It is suggested that the choice of the feature mapping and the optimization of kernel parameters through QKT are critical for maximizing the effectiveness of quantum methods.
Abstract（参考訳）: 量子強化機械学習(quantum-enhanced machine learning)は、量子力学のユニークな性質を活用し、古典的な機械学習を強化することを目的とした、急速に進化する分野である。しかし、これらの手法の実用性は、特に実世界のデータセットの文脈と現在の量子ハードウェアの限界において、未解決の問題である。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。一連の実験を通して、2つの量子特徴写像、すなわちZZFeatureMapとCovariantFeatureMapの汎用性と一般化能力をこの文脈で分析する。注目すべきは、これらの特徴写像は、近い将来の量子優位性の可能性の予想の下で文献で提案され、アドホックデータセットで有望な性能を示したことである。本研究では,従来の機械学習手法,特にSVM(Support Vector Machines)とロジスティック回帰をベースライン比較として,人工的および確立された参照データセットの両方を調査した。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。アドホックなデータセットでは古典的手法よりも優れていますが、トレーニングデータに対して高い分類精度を達成しても、参照された古典的データセットを扱う際に、テストデータの見当たらないように一般化するのは難しいことがしばしばあります。量子法の有効性を最大化するためには,特徴写像の選択とQKTによるカーネルパラメータの最適化が重要であることが示唆された。

関連論文リスト

Unsupervised Quantum Anomaly Detection on Noisy Quantum Processors [1.2325897339438878]
本稿では,一クラス支援ベクトルマシン(OCSVM)アルゴリズムの一般化特性の系統的解析を行う。結果は理論的にシミュレートされ、トラップイオンおよび超伝導量子プロセッサ上で実験的に検証された。
論文参考訳（メタデータ） (2024-11-25T22:42:38Z)
Empirical Quantum Advantage Analysis of Quantum Kernel in Gene Expression Data [0.0]
量子優位性が達成可能な適切なデータセットを見つけることや、古典的および量子的手法によって選択された特徴の関連性を評価することなど、制約に重点を置いている。生理的行動と疾患の感受性の制御において遺伝的変異が重要な役割を担った遺伝子発現データセットを実験的に選択した。
論文参考訳（メタデータ） (2024-11-11T15:34:53Z)
Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance [0.0]
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。
論文参考訳（メタデータ） (2024-05-15T14:28:00Z)
Neural auto-designer for enhanced quantum kernels [59.616404192966016]
本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
論文参考訳（メタデータ） (2024-01-20T03:11:59Z)
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)
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)
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)
Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
論文参考訳（メタデータ） (2020-12-08T01:10:30Z)
Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
変分量子分類(VQC)は、量子的に有利な方法の一つである。本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。 QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
論文参考訳（メタデータ） (2020-05-29T04:43:14Z)

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。