論文の概要: Quantum machine learning for multiclass classification beyond kernel methods

• arxiv url: http://arxiv.org/abs/2411.02913v1
• Date: Tue, 05 Nov 2024 08:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:45.787095
• Title: Quantum machine learning for multiclass classification beyond kernel methods
• Title（参考訳）: カーネル法を超えた多クラス分類のための量子機械学習
• Authors: Chao Ding, Shi Wang, Yaonan Wang, Weibo Gao,
• Abstract要約: 本稿では,実世界の応用において,量子カーネル法がマルチクラス分類の効率を高めることを示す量子アルゴリズムを提案する。 量子シミュレーションの結果、量子アルゴリズムは6つの現実世界の分類問題に対処する点で古典的よりも優れていたことが判明した。
• 参考スコア（独自算出の注目度）: 21.23851138896271
• License:
• Abstract: Quantum machine learning is considered one of the current research fields with immense potential. In recent years, Havl\'i\v{c}ek et al. [Nature 567, 209-212 (2019)] have proposed a quantum machine learning algorithm with quantum-enhanced feature spaces, which effectively addressed a binary classification problem on a superconducting processor and offered a potential pathway to achieving quantum advantage. However, a straightforward binary classification algorithm falls short in solving multiclass classification problems. In this paper, we propose a quantum algorithm that rigorously demonstrates that quantum kernel methods enhance the efficiency of multiclass classification in real-world applications, providing a clear quantum advantage. To demonstrate quantum advantage, we design six distinct quantum kernels within the quantum algorithm to map input data into quantum state spaces and estimate the corresponding quantum kernel matrices. The results from quantum simulations reveal that the quantum algorithm outperforms its classical counterpart in handling six real-world multiclass classification problems. Furthermore, we leverage a family of performance metrics to comprehensively evaluate the classification performance of the quantum algorithm. The results indicate that the quantum algorithm achieves satisfactory classification accuracy and excels in terms of precision, recall, and F1 score for macroaverage, microaverage, and weighted average methods.
• Abstract（参考訳）: 量子機械学習は、大きな可能性を秘めている現在の研究分野の1つである。 近年、Havl\'i\v{c}ek et al [Nature 567, 209-212 (2019)] は量子化された特徴空間を持つ量子機械学習アルゴリズムを提案している。 しかし、単純二項分類アルゴリズムは、多クラス分類問題の解法において不足する。 本稿では,実世界のアプリケーションにおいて,量子カーネル手法がマルチクラス分類の効率を高めることを厳密に示す量子アルゴリズムを提案する。 量子優位性を示すために,量子アルゴリズム内の6つの異なる量子カーネルを設計し,入力データを量子状態空間にマッピングし,対応する量子カーネル行列を推定する。 量子シミュレーションの結果は、量子アルゴリズムが6つの実世界のマルチクラス分類問題に対処する際の古典的手法よりも優れていることを示している。 さらに、量子アルゴリズムの分類性能を包括的に評価するために、性能指標のファミリを利用する。 その結果、量子アルゴリズムは、マクロ平均値、マイクロ平均値、重み付き平均値に対する精度、リコール、F1スコアの点で満足な分類精度を達成し、優れることを示す。

関連論文リスト

• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• 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)
• Quadratic speed-ups in quantum kernelized binary classification [1.3812010983144802]
  量子カーネルをデータ間の類似性の尺度として使用するいくつかの量子機械学習アルゴリズムが登場し、量子状態として符号化されたデータセットのバイナリ分類を実行するようになった。 本稿では,QKCに対する新しい量子回路を提案し,量子ビットの数を1つ減らし,サンプルデータに対して回路深さを線形に減らした。 Irisデータセットの数値シミュレーションにより,従来の手法よりも2次的な高速化を検証した。
  論文  参考訳（メタデータ） (2024-03-26T07:39:48Z)
• Power Characterization of Noisy Quantum Kernels [52.47151453259434]
  一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。 我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
  論文  参考訳（メタデータ） (2024-01-31T01:02:16Z)
• Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
  期待されている量子コンピュータの応用は、科学と産業にまたがる。 本稿では,量子アルゴリズムの応用分野について検討する。 私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
  論文  参考訳（メタデータ） (2023-10-04T17:53:55Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
  我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。 我々は距離の計算を高速化するために量子現象を利用する。 我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
  論文  参考訳（メタデータ） (2022-12-13T16:04:16Z)
• Optimal quantum kernels for small data classification [0.0]
  本稿では,量子ゲートシーケンスをデータに適応させるベクトルマシンをサポートするために,量子カーネルを構築するアルゴリズムを示す。 少数のトレーニングポイントを持つ分類問題に対する結果の量子モデルの性能は、最適化された古典モデルよりも著しく高い。
  論文  参考訳（メタデータ） (2022-03-25T18:26:44Z)
• Quantum algorithm for neural network enhanced multi-class parallel classification [0.3314882635954752]
  提案アルゴリズムは,高い分類精度,高速収束,表現能力を有する。 L$クラスの分類タスクでは、量子回路の空間と時間の複雑さはそれぞれ$O(L*logL)$と$O(logL)$である。
  論文  参考訳（メタデータ） (2022-03-08T14:06:13Z)
• Recent advances for quantum classifiers [2.459525036555352]
  本稿では,量子支援ベクトルマシン,量子カーネル法,量子決定木,量子近接アルゴリズムなど,多数の量子分類アルゴリズムについて概説する。 次に、基本的に分類のための変分量子回路である変分量子分類器を紹介する。
  論文  参考訳（メタデータ） (2021-08-30T18:00:00Z)
• Quantum ensemble of trained classifiers [2.048335092363436]
  量子コンピュータは、利用可能な量子ビットの数に応じて指数的に大きな状態の集合を表現することができる。 量子機械学習は、機械学習アルゴリズムを強化する量子コンピューティングの可能性を探る。
  論文  参考訳（メタデータ） (2020-07-18T01:01:33Z)

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。