論文の概要: Exploring Quantum Neural Networks for Demand Forecasting

• arxiv url: http://arxiv.org/abs/2410.16331v1
• Date: Sat, 19 Oct 2024 13:01:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:29:22.263282
• Title: Exploring Quantum Neural Networks for Demand Forecasting
• Title（参考訳）: 需要予測のための量子ニューラルネットワークの探索
• Authors: Gleydson Fernandes de Jesus, Maria Heloísa Fraga da Silva, Otto Menegasso Pires, Lucas Cruz da Silva, Clebson dos Santos Cruz, Valéria Loureiro da Silva,
• Abstract要約: 本稿では,量子ニューラルネットワークを用いた需要予測モデルの学習手法を提案する。 従来のリカレントニューラルネットワークを用いて結果を比較した。 古典モデルと量子モデルの間にも同様の予測能力を示す。
• 参考スコア（独自算出の注目度）: 0.25128687379089687
• License:
• Abstract: Forecasting demand for assets and services can be addressed in various markets, providing a competitive advantage when the predictive models used demonstrate high accuracy. However, the training of machine learning models incurs high computational costs, which may limit the training of prediction models based on available computational capacity. In this context, this paper presents an approach for training demand prediction models using quantum neural networks. For this purpose, a quantum neural network was used to forecast demand for vehicle financing. A classical recurrent neural network was used to compare the results, and they show a similar predictive capacity between the classical and quantum models, with the advantage of using a lower number of training parameters and also converging in fewer steps. Utilizing quantum computing techniques offers a promising solution to overcome the limitations of traditional machine learning approaches in training predictive models for complex market dynamics.
• Abstract（参考訳）: 資産・サービスの需要予測は様々な市場で対応でき、予測モデルが精度が高い場合に競争上の優位性をもたらす。 しかし、機械学習モデルのトレーニングは高い計算コストをもたらし、利用可能な計算能力に基づいて予測モデルのトレーニングを制限する可能性がある。 本稿では,量子ニューラルネットワークを用いた需要予測モデルの学習手法を提案する。 この目的のために、車両資金の需要を予測するために量子ニューラルネットワークが使用された。 古典的リカレントニューラルネットワークを用いて結果を比較し、古典的モデルと量子的モデルに類似した予測能力を示し、少ない数のトレーニングパラメータを使用し、より少ないステップで収束する利点がある。 量子コンピューティング技術を活用することで、複雑な市場ダイナミクスの予測モデルをトレーニングする上で、従来の機械学習アプローチの限界を克服する、有望なソリューションを提供する。

関連論文リスト

• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。 我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。 量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• A General Approach to Dropout in Quantum Neural Networks [1.5771347525430772]
  オーバーフィッティング(Overfitting)とは、与えられたモデルがトレーニングデータを過度に学習した場合に発生する現象である。 量子ニューラルネットワークが学習モデルとして登場したことで、オーバーフィッティングが問題になるかもしれない。
  論文  参考訳（メタデータ） (2023-10-06T09:39:30Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• The cross-sectional stock return predictions via quantum neural network and tensor network [0.0]
  本稿では,量子および量子に着想を得た機械学習アルゴリズムのストックリターン予測への応用について検討する。 本研究では、雑音の多い中間規模量子コンピュータに適したアルゴリズムである量子ニューラルネットワークと、量子に着想を得た機械学習アルゴリズムであるテンソルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-04-25T00:05:13Z)
• 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)
• Adapting Pre-trained Language Models for Quantum Natural Language Processing [33.86835690434712]
  事前学習された表現は、エンドツーエンドの量子モデルの容量を50%から60%増加させることができることを示す。 量子シミュレーション実験では、事前訓練された表現は、エンドツーエンドの量子モデルの容量を50%から60%増加させることができる。
  論文  参考訳（メタデータ） (2023-02-24T14:59:02Z)
• NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
  ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。 我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2022-11-29T15:03:05Z)
• 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)
• Low-bit Quantization of Recurrent Neural Network Language Models Using Alternating Direction Methods of Multipliers [67.688697838109]
  本稿では、乗算器の交互方向法(ADMM)を用いて、スクラッチから量子化RNNLMを訓練する新しい手法を提案する。 2つのタスクの実験から、提案されたADMM量子化は、完全な精度ベースライン RNNLM で最大31倍のモデルサイズ圧縮係数を達成したことが示唆された。
  論文  参考訳（メタデータ） (2021-11-29T09:30:06Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)

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。