論文の概要: Consensus-based Distributed Quantum Kernel Learning for Speech Recognition

• arxiv url: http://arxiv.org/abs/2409.05770v1
• Date: Mon, 9 Sep 2024 16:33:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 13:56:09.399027
• Title: Consensus-based Distributed Quantum Kernel Learning for Speech Recognition
• Title（参考訳）: 合意に基づく分散量子カーネル学習による音声認識
• Authors: Kuan-Cheng Chen, Wenxuan Ma, Xiaotian Xu,
• Abstract要約: CDQKLは、集中型量子カーネル学習におけるスケーラビリティとデータプライバシの課題に対処する。 計算タスクを古典的なチャネルを介して接続された量子端末に分散することでこれを実現している。 CDQKLの分散特性は、プライバシー保護と計算効率の利点を提供し、データに敏感な分野に適している。
• 参考スコア（独自算出の注目度）: 4.1852104039346605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a Consensus-based Distributed Quantum Kernel Learning (CDQKL) framework aimed at improving speech recognition through distributed quantum computing.CDQKL addresses the challenges of scalability and data privacy in centralized quantum kernel learning. It does this by distributing computational tasks across quantum terminals, which are connected through classical channels. This approach enables the exchange of model parameters without sharing local training data, thereby maintaining data privacy and enhancing computational efficiency. Experimental evaluations on benchmark speech emotion recognition datasets demonstrate that CDQKL achieves competitive classification accuracy and scalability compared to centralized and local quantum kernel learning models. The distributed nature of CDQKL offers advantages in privacy preservation and computational efficiency, making it suitable for data-sensitive fields such as telecommunications, automotive, and finance. The findings suggest that CDQKL can effectively leverage distributed quantum computing for large-scale machine-learning tasks.
• Abstract（参考訳）: 本稿では,分散量子コンピューティングによる音声認識向上を目的としたコンセンサスベースの分散量子カーネル学習(CDQKL)フレームワークを提案する。CDQKLは,集中型量子カーネル学習におけるスケーラビリティとデータプライバシの課題に対処する。 計算タスクを古典的なチャネルを介して接続された量子端末に分散することでこれを実現している。 このアプローチにより、ローカルトレーニングデータを共有せずにモデルパラメータの交換が可能となり、データのプライバシが維持され、計算効率が向上する。 ベンチマーク音声感情認識データセットの実験的評価により、CDQKLは集中型および局所的な量子カーネル学習モデルと比較して、競合する分類精度とスケーラビリティを実現することが示された。 CDQKLの分散した性質は、プライバシー保護と計算効率の利点を提供し、通信、自動車、金融といったデータに敏感な分野に適している。 この結果から,CDQKLは大規模機械学習タスクにおいて分散量子コンピューティングを効果的に活用できることが示唆された。

関連論文リスト

• Quantum delegated and federated learning via quantum homomorphic encryption [0.5939164722752263]
  本稿では,量子デリゲート型およびフェデレート型学習を無理論データプライバシ保証で実現可能な汎用フレームワークを提案する。 この枠組みの下での学習と推論は、盲点量子コンピューティングに基づくスキームに比べて通信の複雑さが著しく低いことが示される。
  論文  参考訳（メタデータ） (2024-09-28T14:13:50Z)
• Distributed and Secure Kernel-Based Quantum Machine Learning [1.104960878651584]
  量子コンピューティングは機械学習に革命をもたらすことを約束し、クラスタリングや距離推定といったタスクにおいて、大幅な効率向上を提供する。 測定仮定や非閉定理といった基本的な原理を通じて、セキュリティを向上する。 セキュアな量子機械学習は注目に値するが、カーネルベースの機械学習技術のセキュアで分散的な量子アナログの開発はいまだに未調査である。
  論文  参考訳（メタデータ） (2024-08-16T06:31:45Z)
• Quantum Mixed-State Self-Attention Network [3.1280831148667105]
  本稿では、量子コンピューティングの原理と古典的な機械学習アルゴリズムを統合する新しい量子混合状態注意ネットワーク(QMSAN)を紹介する。 QMSANモデルは混合状態に基づく量子アテンション機構を採用し、量子領域内のクエリとキー間の類似性を効率的に直接推定することを可能にする。 本研究は,QMSANが低雑音に対する可換ロバスト性を有することを示すため,異なる量子雑音環境におけるモデルのロバスト性について検討した。
  論文  参考訳（メタデータ） (2024-03-05T11:29:05Z)
• Coreset selection can accelerate quantum machine learning models with provable generalization [6.733416056422756]
  量子ニューラルネットワーク(QNN)と量子カーネルは、量子機械学習の領域において顕著な存在である。 我々は、QNNと量子カーネルのトレーニングを高速化することを目的とした、コアセット選択という統一的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T08:59:46Z)
• 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)
• A Quantum Kernel Learning Approach to Acoustic Modeling for Spoken Command Recognition [69.97260364850001]
  本稿では,量子カーネル学習(QKL)フレームワークを提案する。 古典的-量子的特徴符号化に基づく音響特性を計画する。
  論文  参考訳（メタデータ） (2022-11-02T16:46:23Z)
• 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)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• 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)

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。