論文の概要: A Coverage-Guided Testing Framework for Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2411.02450v2
• Date: Sun, 22 Jun 2025 10:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 14:54:00.106897
• Title: A Coverage-Guided Testing Framework for Quantum Neural Networks
• Title（参考訳）: 量子ニューラルネットワークのためのカバレッジガイド型テストフレームワーク
• Authors: Minqi Shao, Jianjun Zhao,
• Abstract要約: 量子ニューラルネットワーク(QNN)は量子コンピューティングとディープニューラルネットワークを統合し、重ね合わせや絡み合いといった量子特性を活用して機械学習アルゴリズムを強化する。 しかし、量子力学の本質的に非古典的な性質のため、QNNの検証には重大な課題が生じる。 本稿では,テスト中のQNN状態探索を体系的に評価するためのテストカバレッジ基準であるQCovを提案する。
• 参考スコア（独自算出の注目度）: 1.7101498519540597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Neural Networks (QNNs) integrate quantum computing and deep neural networks, leveraging quantum properties like superposition and entanglement to enhance machine learning algorithms. These characteristics enable QNNs to outperform classical neural networks in tasks such as quantum chemistry simulations, optimization problems, and quantum-enhanced machine learning. Despite their early success, their reliability and safety issues have posed threats to their applicability. However, due to the inherently non-classical nature of quantum mechanics, verifying QNNs poses significant challenges. To address this, we propose QCov, a set of test coverage criteria specifically designed to systematically evaluate QNN state exploration during testing, with an emphasis on superposition. These criteria help evaluate test diversity and detect underlying defects within test suites. Extensive experiments on benchmark datasets and QNN models validate QCov's effectiveness in reflecting test quality, guiding fuzz testing efficiently, and thereby improving QNN robustness. We also evaluate sampling costs of QCov under realistic quantum scenarios to justify its practical feasibility. Finally, the effects of unrepresentative training data distribution and parameter choice are further explored.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は量子コンピューティングとディープニューラルネットワークを統合し、重ね合わせや絡み合いといった量子特性を活用して機械学習アルゴリズムを強化する。 これらの特徴により、量子化学シミュレーション、最適化問題、量子強化機械学習といったタスクにおいて、QNNは古典的なニューラルネットワークより優れている。 初期の成功にもかかわらず、信頼性と安全性の問題が適用可能性に脅威をもたらしている。 しかし、量子力学の本質的に非古典的な性質のため、QNNの検証は重大な課題となる。 そこで本研究では,テスト中のQNN状態探索を体系的に評価するためのテストカバレッジ基準であるQCovを提案する。 これらの基準は、テストの多様性を評価し、テストスイートの根底にある欠陥を検出するのに役立つ。 ベンチマークデータセットとQNNモデルに関する大規模な実験は、QCovがテスト品質を反映し、ファジテストの指導を効率的に行い、QNNの堅牢性を向上させることの有効性を検証する。 また,現実的な量子シナリオ下でのQCovのサンプリングコストを評価し,その実現可能性について検証した。 最後に,非表現的学習データ分布とパラメータ選択の効果について検討した。

関連論文リスト

• Benchmarking Quantum Convolutional Neural Networks for Signal Classification in Simulated Gamma-Ray Burst Detection [29.259008600842517]
  本研究は,ガンマ線バースト(GRB)に似た信号の同定に量子畳み込みニューラルネットワーク(QCNN)を用いたことを評価する。 量子シミュレータでトレーニングしたQCNNを用いて,Qiskitフレームワークを用いたハイブリッド量子古典機械学習手法を実装した。 QCNNは時系列データセット上で堅牢な性能を示し,高い精度でGRB信号の検出に成功した。
  論文  参考訳（メタデータ） (2025-01-28T16:07:12Z)
• QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
  量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。 QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。 QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:11:28Z)
• Splitting and Parallelizing of Quantum Convolutional Neural Networks for Learning Translationally Symmetric Data [0.0]
  分割並列化QCNN(sp-QCNN)と呼ばれる新しいアーキテクチャを提案する。 量子回路を翻訳対称性に基づいて分割することにより、sp-QCNNはキュービット数を増やすことなく従来のQCNNを実質的に並列化することができる。 本稿では,sp-QCNNが従来のQCNNと同等の分類精度を達成でき,必要な測定資源を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-06-12T18:00:08Z)
• ResQNets: A Residual Approach for Mitigating Barren Plateaus in Quantum Neural Networks [0.0]
  量子ニューラルネットワーク(QNN)におけるバレンプラトー問題は、QNNの実践的な成功を妨げる重要な課題である。 本稿では、この問題に対処するための解として、残留量子ニューラルネットワーク(ResQNet)を導入する。
  論文  参考訳（メタデータ） (2023-05-05T13:33:43Z)
• Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
  本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。 本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。 VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
  論文  参考訳（メタデータ） (2023-03-10T11:24:32Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Scalable Quantum Convolutional Neural Networks [12.261689483681145]
  我々は、スケーラブル量子畳み込みニューラルネットワーク(sQCNN)と呼ばれる量子ニューラルネットワーク(QCNN)の新バージョンを提案する。 さらに、QCの忠実度を用いて、sQCNNの性能を最大化する逆忠実度トレーニング(RF-Train)と呼ばれるsQCNNトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-26T02:07:00Z)
• On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification [88.31717434938338]
  ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。 この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。 マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
  論文  参考訳（メタデータ） (2021-09-20T12:41:50Z)
• 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)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。