論文の概要: Quantum kernel learning Model constructed with small data

• arxiv url: http://arxiv.org/abs/2412.00783v1
• Date: Sun, 01 Dec 2024 12:12:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:44:03.444406
• Title: Quantum kernel learning Model constructed with small data
• Title（参考訳）: 小型データを用いた量子カーネル学習モデルの構築
• Authors: Takao Tomono, Kazuya Tsujimura,
• Abstract要約: 我々は、小型データを用いて、画像検査における様々な異常を検出するために量子機械学習を使用することを目指している。 特定の量子カーネルに埋め込まれたSVMによる学習は、古典的なカーネルに比べてAUCの値が著しく高かった。
• 参考スコア（独自算出の注目度）: 0.6138671548064356
• License:
• Abstract: We aim to use quantum machine learning to detect various anomalies in image inspection by using small size data. Assuming the possibility that the expressive power of the quantum kernel space is superior to that of the classical kernel space, we are studying a quantum machine learning model. Through trials of image inspection processes not only for factory products but also for products including agricultural products, the importance of trials on real data is recognized. In this study, training was carried out on SVMs embedded with various quantum kernels on a small number of agricultural product image data sets collected in the company. The quantum kernels prepared in this study consisted of a smaller number of rotating gates and control gates. The F1 scores for each quantum kernel showed a significant effect of using CNOT gates. After confirming the results with a quantum simulator, the usefulness of the quantum kernels was confirmed on a quantum computer. Learning with SVMs embedded with specific quantum kernels showed significantly higher values of the AUC compared to classical kernels. The reason for the lack of learning in quantum kernels is considered to be due to kernel concentration or exponential concentration similar to the Baren plateau. The reason why the F1 score does not increase as the number of features increases is suggested to be due to exponential concentration, while at the same time it is possible that only certain features have discriminative ability. Furthermore, it is suggested that controlled Toffoli gate may be a promising quantum kernel component.
• Abstract（参考訳）: 我々は、小型データを用いて、画像検査における様々な異常を検出するために量子機械学習を使用することを目指している。 量子カーネル空間の表現力が古典的なカーネル空間の表現力よりも優れている可能性を前提として、量子機械学習モデルの研究を行っている。 工場製品だけでなく、農業製品などの製品についても画像検査プロセスの試行を通じて、実データに対する試行の重要性が認識される。 本研究では、企業内で収集された少数の農産物画像データセットに基づいて、各種量子カーネルに埋め込まれたSVM上でトレーニングを行った。 この研究で作成された量子核は、少数の回転ゲートと制御ゲートから構成されていた。 各量子カーネルのF1スコアは、CNOTゲートを使用することによる顕著な効果を示した。 量子シミュレータで結果を確認した後、量子コンピュータ上で量子カーネルの有用性を確認した。 特定の量子カーネルに埋め込まれたSVMによる学習は、古典的なカーネルに比べてAUCの値が著しく高かった。 量子核における学習の欠如の理由は、バレン高原に類似した核濃度または指数濃度によると考えられている。 特徴数の増加に伴ってF1スコアが上昇しない理由は指数集中によるものと示唆され、同時に特定の特徴だけが識別能力を持つ可能性がある。 さらに、制御されたトフォリゲートは有望な量子カーネルコンポーネントである可能性が示唆された。

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)
• Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
  本稿では,量子情報処理の導入について紹介する。 量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。 分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:43:20Z)
• 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)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Kernel-based quantum regressor models learn non-Markovianity [0.0]
  カーネルベースの量子機械学習モデルはパラダイム的な例である。 カーネルが手元にある場合、学習プロセスには通常の機械学習モデルが使用される。 我々のモデルは、完全に古典的なモデルに匹敵する正確な予測を提供する。
  論文  参考訳（メタデータ） (2022-09-23T15:36:15Z)
• Exponential concentration in quantum kernel methods [0.0]
  本稿では,カーネルの値を正確に推定するために必要な資源の観点から,量子カーネルモデルの性能について検討する。 データ埋め込みの表現性、大域的測定、絡み合い、ノイズの4つの情報源を同定する。
  論文  参考訳（メタデータ） (2022-08-23T16:06:10Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Training Quantum Embedding Kernels on Near-Term Quantum Computers [0.08563354084119063]
  量子コンピュータのヒルベルト空間にデータを埋め込むことで構築された量子埋め込みカーネル(QEK)は、特定の量子カーネル技術である。 まず、量子埋め込みカーネルを紹介し、ノイズの多い短期量子コンピュータ上でそれらを実現する際に生じる現実的な問題を解析する。
  論文  参考訳（メタデータ） (2021-05-05T18:41:13Z)
• Towards understanding the power of quantum kernels in the NISQ era [79.8341515283403]
  量子カーネルの利点は,大規模データセット,計測回数の少ないもの,システムノイズなどにおいて消失することを示した。 我々の研究は、NISQデバイス上で量子優位性を得るための先進量子カーネルの探索に関する理論的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-03-31T02:41:36Z)
• Quantum machine learning models are kernel methods [0.0]
  この技術写本は、量子モデルをカーネルメソッドとして体系的に言い換えることでリンクを要約し、形式化し、拡張する。 これは、ほとんどの短期およびフォールトトレラント量子モデルは、一般的な支持ベクトルマシンに置き換えることができることを示している。 特にカーネルベースのトレーニングは、変分回路のトレーニングよりも優れた、あるいは同等に優れた量子モデルを見つけることが保証されている。
  論文  参考訳（メタデータ） (2021-01-26T19:00:04Z)

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。