論文の概要: Benchmarking Quantum Models for Time-series Forecasting
- arxiv url: http://arxiv.org/abs/2412.13878v1
- Date: Wed, 18 Dec 2024 14:17:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 13:24:02.110517
- Title: Benchmarking Quantum Models for Time-series Forecasting
- Title(参考訳): 時系列予測のための量子モデルのベンチマーク
- Authors: Caitlin Jones, Nico Kraus, Pallavi Bhardwaj, Maximilian Adler, Michael Schrödl-Baumann, David Zambrano Manrique,
- Abstract要約: 時系列予測における古典モデルと量子モデルを比較した。
ほとんどの量子モデルは、同等の結果を得ることができた。
結果は、予測の分野と量子機械学習の分野での有用な比較ポイントとして役立ちます。
- 参考スコア(独自算出の注目度): 0.3806074545662052
- License:
- Abstract: Time series forecasting is a valuable tool for many applications, such as stock price predictions, demand forecasting or logistical optimization. There are many well-established statistical and machine learning models that are used for this purpose. Recently in the field of quantum machine learning many candidate models for forecasting have been proposed, however in the absence of theoretical grounds for advantage thorough benchmarking is essential for scientific evaluation. To this end, we performed a benchmarking study using real data of various quantum models, both gate-based and annealing-based, comparing them to the state-of-the-art classical approaches, including extensive hyperparameter optimization. Overall we found that the best classical models outperformed the best quantum models. Most of the quantum models were able to achieve comparable results and for one data set two quantum models outperformed the classical ARIMA model. These results serve as a useful point of comparison for the field of forecasting with quantum machine learning.
- Abstract(参考訳): 時系列予測は、株価予測、需要予測、物流最適化など、多くのアプリケーションにとって貴重なツールである。
この目的のために使用される、よく確立された統計モデルと機械学習モデルが数多く存在する。
近年、量子機械学習の分野では、予測のための候補モデルが多数提案されているが、徹底的なベンチマークのための理論的根拠が欠如しているため、科学的評価に欠如している。
この目的のために、ゲートベースおよびアニールベースの両方の様々な量子モデルの実データを用いてベンチマークを行い、これらを広範囲なハイパーパラメータ最適化を含む最先端の古典的アプローチと比較した。
全体としては、最高の古典的モデルは最高の量子モデルよりも優れていた。
ほとんどの量子モデルは同等の結果を得ることができ、一方のデータセットでは2つの量子モデルが古典的 ARIMA モデルより優れていた。
これらの結果は、予測の分野と量子機械学習の比較に有用である。
関連論文リスト
- Quantum Latent Diffusion Models [65.16624577812436]
本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。
これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。
この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
論文 参考訳(メタデータ) (2025-01-19T21:24:02Z) - Application of time-series quantum generative model to financial data [1.2289361708127877]
時系列生成モデルを実際の財務データに量子生成モデルとして適用した。
その結果,従来の手法に比べてパラメータ値が少なかった。
論文 参考訳(メタデータ) (2024-05-20T05:29:45Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Quantum Machine Learning for Credit Scoring [0.0]
中小企業向けクレジットスコアリングにおける量子機械学習(QML)の利用について検討する。
量子/古典ハイブリッドアプローチは、いくつかのモデル、アクティベーション関数、エポック、その他のパラメータで使用されている。
350エポックの量子モデルと3500エポックの量子モデルを比較検討した。
論文 参考訳(メタデータ) (2023-08-07T13:27:30Z) - Benchmarking Quantum Surrogate Models on Scarce and Noisy Data [4.3956739705582635]
量子ニューラルネットワーク (QNN) は, 希少かつノイズの多いデータの存在下で, 従来のアナログよりも優れている可能性が示された。
我々のコントリビューションは、QNNを高次元の実世界データ上の代理モデルとして使う最初のアプリケーション中心のアプローチを示す。
論文 参考訳(メタデータ) (2023-06-08T08:49:58Z) - Predictive Models from Quantum Computer Benchmarks [0.0]
量子コンピュータの総合ベンチマークは、量子ハードウェアの性能をテストし、まとめるのに不可欠である。
本稿では,機能モデルを用いたベンチマークデータから予測モデルを構築するための一般的なフレームワークを紹介する。
このケーススタディでは、クラウドアクセス可能な量子コンピュータのデータとノイズの多い量子コンピュータのシミュレーションを用いています。
論文 参考訳(メタデータ) (2023-05-15T17:00:23Z) - 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) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳(メタデータ) (2022-01-21T16:35:35Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳(メタデータ) (2021-10-07T11:58:35Z)
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。