論文の概要: Hybrid Quantum-Classical Feature Extraction approach for Image Classification using Autoencoders and Quantum SVMs

• arxiv url: http://arxiv.org/abs/2410.18814v1
• Date: Thu, 24 Oct 2024 15:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:49:34.163013
• Title: Hybrid Quantum-Classical Feature Extraction approach for Image Classification using Autoencoders and Quantum SVMs
• Title（参考訳）: オートエンコーダと量子SVMを用いた画像分類のためのハイブリッド量子古典的特徴抽出手法
• Authors: Donovan Slabbert, Francesco Petruccione,
• Abstract要約: NISQ時代の量子コンピュータには、ノイズ、スケーラビリティ、読み出し時間、ゲート操作時間などの制限がある。 複雑なデータセットが量子機械学習パイプラインの全体的な効率に与える影響を軽減するために、戦略を考案する必要がある。 本稿では,ResNet10にインスパイアされた畳み込みオートエンコーダを用いた古典的特徴抽出手法を適用し,データセットの次元性を低減し,意味のある特徴を抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In order to leverage quantum computers for machine learning tasks such as image classification, careful consideration is required: NISQ-era quantum computers have limitations, which include noise, scalability, read-in and read-out times, and gate operation times. Therefore, strategies should be devised to mitigate the impact that complex datasets can have on the overall efficiency of a quantum machine learning pipeline. This may otherwise lead to excessive resource demands or increased noise. We apply a classical feature extraction method using a ResNet10-inspired convolutional autoencoder to both reduce the dimensionality of the dataset and extract abstract and meaningful features before feeding them into a quantum machine learning block. The quantum block of choice is a quantum-enhanced support vector machine (QSVM), as support vector machines typically do not require large sample sizes to identify patterns in data and have short-depth quantum circuits, which limits the impact of noise. The autoencoder is trained to extract meaningful features through image reconstruction, aiming to minimize the mean squared error across a training set. Three image datasets are used to illustrate the pipeline: HTRU-1, MNIST, and CIFAR-10. We also include a quantum-enhanced one-class support vector machine (QOCSVM) for the highly unbalanced HTRU-1 set, as well as classical machine learning results to serve as a benchmark. Finally, the HTRU-2 dataset is also included to serve as a benchmark for a dataset with well-correlated features. The autoencoder achieved near-perfect reconstruction and high classification accuracy for MNIST, while CIFAR-10 showed poorer performance due to image complexity, and HTRU-1 struggled because of dataset imbalance. This highlights the need for a balance between dimensionality reduction through classical feature extraction and prediction performance using quantum methods.
• Abstract（参考訳）: NISQ時代の量子コンピュータには、ノイズ、スケーラビリティ、読み出し時間、ゲート操作時間などの制限がある。 したがって、複雑なデータセットが量子機械学習パイプラインの全体的な効率に与える影響を軽減するために、戦略を練るべきである。 そうでなければ、リソースの過剰な要求やノイズの増加につながる可能性がある。 本稿では、ResNet10にインスパイアされた畳み込みオートエンコーダを用いた古典的特徴抽出手法を適用し、データセットの次元を小さくし、量子機械学習ブロックに入力する前に抽象的かつ意味のある特徴を抽出する。 量子ブロックの選択は量子化されたサポートベクターマシン(QSVM)であり、サポートベクターマシンは通常、データのパターンを特定するために大きなサンプルサイズを必要とせず、ノイズの影響を制限する短距離量子回路を持つ。 オートエンコーダは、トレーニングセット全体の平均2乗誤差を最小限に抑え、画像再構成により有意義な特徴を抽出するように訓練される。 HTRU-1、MNIST、CIFAR-10の3つの画像データセットがパイプラインを説明するために使用される。 また、高度にバランスの取れないHTRU-1セットのための量子化された1クラスサポートベクターマシン(QOCSVM)や、古典的な機械学習結果のベンチマークも含んでいる。 最後に、HTRU-2データセットは、よく相関した特徴を持つデータセットのベンチマークとして機能する。 オートエンコーダはMNISTのほぼ完全な再構築と高い分類精度を実現し、CIFAR-10は画像の複雑さにより性能が低下し、HTRU-1はデータセットの不均衡のために苦労した。 このことは、古典的特徴抽出による次元減少と量子法による予測性能のバランスの必要性を強調している。

関連論文リスト

• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  本研究は、画像分類タスクにおける量子コンピューティングと古典的機械学習の統合について検討する。 両パラダイムの強みを生かしたハイブリッド量子古典的アプローチを提案する。 実験結果から、ハイブリッドモデルが量子コンピューティングと古典的手法を統合する可能性を示す一方で、量子結果に基づいて訓練された最終モデルの精度は、圧縮された特徴に基づいて訓練された古典的モデルよりも低いことが示唆された。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
  量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。 量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Quantum Transfer Learning with Adversarial Robustness for Classification of High-Resolution Image Datasets [1.7246639313869705]
  本稿では,量子変動回路をImageNetデータセット上に事前学習した古典的機械学習ネットワークと統合する量子トランスファー学習アーキテクチャを提案する。 転送学習を伴わずに、古典的および量子機械学習に対するQTLアプローチの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-30T13:45:39Z)
• Quantum support vector data description for anomaly detection [0.5439020425819]
  異常検出は、データ分析とパターン認識において重要な問題であり、様々な領域における応用を見つける。 本稿では,異常検出のための教師なし学習アルゴリズムである量子支援ベクトルデータ記述(QSVDD)を紹介する。
  論文  参考訳（メタデータ） (2023-10-10T07:35:09Z)
• 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 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)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Hybrid quantum-classical classifier based on tensor network and variational quantum circuit [0.0]
  本稿では、量子インスパイアされたテンソルネットワーク(TN)と変分量子回路(VQC)を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。 低結合次元の行列積状態に基づくTNは、MNISTデータセットのバイナリ分類において、VQCの入力のためのデータを圧縮する特徴抽出器としてPCAよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-30T09:43:59Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。