論文の概要: Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images

• arxiv url: http://arxiv.org/abs/2411.19276v1
• Date: Thu, 28 Nov 2024 17:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:19:47.424694
• Title: Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images
• Title（参考訳）: 量子ニューラルネットワークの実践:標準データセットから産業画像への古典的モデルとの比較
• Authors: Daniel Basilewitsch, João F. Bravo, Christian Tutschku, Frederick Struckmeier,
• Abstract要約: 本研究では,2値画像分類の課題に対して,ランダム化された古典ニューラルネットワークと量子ニューラルネットワークの性能を比較した。 本研究は,実用的な画像分類タスクのための量子機械学習の展望について,産業的な視点を提供する。
• 参考スコア（独自算出の注目度）: 0.5892638927736115
• License:
• Abstract: Image classification tasks are among the most prominent examples that can be reliably solved by classical machine learning models. In this study, we compare the performance of randomized classical and quantum neural networks as well as classical and quantum-classical hybrid convolutional neural networks for the task of binary image classification. To this end, we employ various data sets of increasing complexity - (i) an artificial hypercube dataset, (ii) MNIST handwritten digits, and (iii) real-world industrial images from laser cutting machines. We analyze the performance of the employed quantum models with respect to correlations between classification accuracy and various hyperparameters. For the random quantum neural networks, we additionally compare their performance with some known literature models and how top-performing models from one data set perform on the others. In general, we observe fairly similar performances of classical and quantum or hybrid models. Our study provides an industry perspective on the prospects of quantum machine learning for practical image classification tasks.
• Abstract（参考訳）: 画像分類タスクは、古典的な機械学習モデルによって確実に解決できる最も顕著な例の1つである。 本研究では,古典的・量子的ニューラルネットワークと古典的・古典的ハイブリッド畳み込みニューラルネットワークの性能をバイナリ画像分類の課題として比較する。 この目的のために、複雑性を増大させるさまざまなデータセットを使用します。 (i)人工ハイパーキューブデータセット (ii)MNIST手書き桁、及び 三 レーザー切断機による実世界の産業用画像。 各種ハイパーパラメータと分類精度の相関関係について, 応用量子モデルの性能解析を行った。 ランダムな量子ニューラルネットワークでは、それらの性能をいくつかの既知の文献モデルと比較し、一方のデータセットから得られる最高パフォーマンスモデルが他方でどのように機能するかを示す。 一般に、古典的および量子的またはハイブリッドなモデルのかなり類似した性能を観察する。 本研究は,実用的な画像分類タスクのための量子機械学習の展望について,産業的な視点を提供する。

関連論文リスト

• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• CQural: A Novel CNN based Hybrid Architecture for Quantum Continual Machine Learning [0.0]
  本研究では,新しい古典量子ニューラルネットを用いた連続学習において,破滅的な忘れを回避できることが示唆された。 また、モデルがこれらの説明でトレーニングされている場合、より良いパフォーマンスを与え、決定境界から遠く離れた特定の特徴を学ぶ傾向があります。
  論文  参考訳（メタデータ） (2023-05-16T18:19:12Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• 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)
• Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches [0.0]
  バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。 ノイズの多いデータセットは 財務的なデータセットの中にあります 新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
  論文  参考訳（メタデータ） (2021-11-05T10:29:05Z)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)
• Quantum Self-Supervised Learning [22.953284192004034]
  対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
  論文  参考訳（メタデータ） (2021-03-26T18:00:00Z)
• Counterfactual Generative Networks [59.080843365828756]
  画像生成過程を直接監督せずに訓練する独立した因果機構に分解することを提案する。 適切な誘導バイアスを活用することによって、これらのメカニズムは物体の形状、物体の質感、背景を解き放つ。 その結果, 偽画像は, 元の分類タスクにおける性能の低下を伴い, 分散性が向上することが示された。
  論文  参考訳（メタデータ） (2021-01-15T10:23:12Z)
• 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)
• Reservoir Memory Machines as Neural Computers [70.5993855765376]
  微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。 我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
  論文  参考訳（メタデータ） (2020-09-14T12:01:30Z)

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。