論文の概要: QUBO-based SVM for credit card fraud detection on a real QPU

• arxiv url: http://arxiv.org/abs/2409.11876v1
• Date: Wed, 18 Sep 2024 11:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 18:09:15.035371
• Title: QUBO-based SVM for credit card fraud detection on a real QPU
• Title（参考訳）: 実QPUにおけるクレジットカード不正検出のためのQUBOに基づくSVM
• Authors: Ettore Canonici, Filippo Caruso,
• Abstract要約: 準拘束的二項最適化問題としてトレーニングを再構成した二項分類器モデルを用いる。 数値シミュレーションにより,一定量の雑音が驚くべき結果をもたらすことを示す。 我々の結果は、サイバーセキュリティアプリケーションのための中立原子QPU上で動作する新しい量子MLアルゴリズムへのさらなる一歩を示している。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Among all the physical platforms for the realization of a Quantum Processing Unit (QPU), neutral atom devices are emerging as one of the main players. Their scalability, long coherence times, and the absence of manufacturing errors make them a viable candidate.. Here, we use a binary classifier model whose training is reformulated as a Quadratic Unconstrained Binary Optimization (QUBO) problem and implemented on a neutral atom QPU. In particular, we test it on a Credit Card Fraud (CCF) dataset. We propose several versions of the model, including exploiting the model in ensemble learning schemes. We show that one of our proposed versions seems to achieve higher performance and lower errors, validating our claims by comparing the most popular Machine Learning (ML) models with QUBO SVM models trained with ideal, noisy simulations and even via a real QPU. In addition, the data obtained via real QPU extend up to 24 atoms, confirming the model's noise robustness. We also show, by means of numerical simulations, how a certain amount of noise leads surprisingly to enhanced results. Our results represent a further step towards new quantum ML algorithms running on neutral atom QPUs for cybersecurity applications.
• Abstract（参考訳）: 量子処理ユニット(QPU)を実現するためのすべての物理プラットフォームの中で、中性原子デバイスが主要なプレイヤーの1つとして登場している。 スケーラビリティ、長いコヒーレンス時間、製造エラーの欠如により、実現可能な候補となる。 と。 ここでは、準非拘束バイナリ最適化(QUBO)問題としてトレーニングを再構成し、中性原子QPU上に実装したバイナリ分類器モデルを用いる。 特に、CCF(Credit Card Fraud)データセットでテストしています。 我々は、アンサンブル学習方式でモデルを利用するなど、モデルのいくつかのバージョンを提案する。 提案したバージョンのうちの1つは高い性能と低いエラーを達成でき、最も人気のある機械学習(ML)モデルとQUBO SVMモデルを比較してクレームを検証できることを示します。 さらに、実際のQPUによって得られたデータは24個の原子まで拡張され、モデルのノイズの堅牢性を確認する。 また, 数値シミュレーションにより, 一定量の雑音が驚くべき結果をもたらすことを示す。 我々の結果は、サイバーセキュリティアプリケーションのための中立原子QPU上で動作する新しい量子MLアルゴリズムへのさらなる一歩を示している。

関連論文リスト

• Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
  重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。 さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-01T20:21:52Z)
• First quantum machine learning applications on an on-site room-temperature quantum computer [0.0]
  本稿では,量子機械学習(QML)アルゴリズムの現場室温量子コンピュータへの応用を実演する。 オーストラリアのパースにあるPawsey Supercomputing Centreにインストールされた2ビット量子コンピュータは、マルチクラスの分類問題を解決するために使用される。
  論文  参考訳（メタデータ） (2023-12-18T19:30:26Z)
• 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)
• Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
  量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。 本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。 分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
  論文  参考訳（メタデータ） (2023-07-05T08:06:41Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• 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)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)
• Quantum Model Learning Agent: characterisation of quantum systems through machine learning [0.6474760227870044]
  ターゲットシステムのハミルトン的記述をリバースエンジニアリングするために,量子モデル学習エージェント(QMLA)というアルゴリズムを報告する。 QMLAは、プリオリ情報が限られている場合、ほとんどのインスタンスにおいて真のモデルを識別する。 そこで我々は,新しい仮説モデルを定式化するために遺伝的アルゴリズムを組み込むことにより,大規模モデル空間で動作するQMLAを実証する。
  論文  参考訳（メタデータ） (2021-12-15T19:01:53Z)
• MQBench: Towards Reproducible and Deployable Model Quantization Benchmark [53.12623958951738]
  MQBenchは、モデル量子化アルゴリズムの評価、分析、およびデプロイ可能性のベンチマークを行う最初の試みである。 我々は、CPU、GPU、ASIC、DSPを含む実世界のデプロイのための複数のプラットフォームを選択し、最先端の量子化アルゴリズムを評価する。 包括的な分析を行い、直感的、直感的、あるいは反直感的な洞察を見出す。
  論文  参考訳（メタデータ） (2021-11-05T23:38:44Z)
• Q-ASR: Integer-only Zero-shot Quantization for Efficient Speech Recognition [65.7040645560855]
  ASRモデルに対する整数のみのゼロショット量子化スキームであるQ-ASRを提案する。 全精度ベースラインモデルと比較すると,wrの変化は無視できる。 Q-ASRは、WER劣化が少ない4倍以上の圧縮率を示します。
  論文  参考訳（メタデータ） (2021-03-31T06:05:40Z)
• Generative machine learning with tensor networks: benchmarks on near-term quantum computers [0.0]
  テンソルネットワーク(TN)の観点から,NISQデバイス上での量子支援機械学習(QAML)について検討する。 特に、古典的手法を用いてTNベースのQAMLモデルを設計、最適化するためのフレームワークをレイアウトし、量子ハードウェア上で動作させるためにこれらのモデルをコンパイルする。 本稿では,MPS QAMLモデルの性能を評価するための正確なベンチマーク問題と,標準MNIST手書き桁データセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-10-07T20:33:34Z)

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。