論文の概要: QGAIC: Quantum Inspired Genetic Algorithm for Image Classification

• arxiv url: http://arxiv.org/abs/2501.11477v3
• Date: Thu, 23 Jan 2025 19:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 12:56:12.456354
• Title: QGAIC: Quantum Inspired Genetic Algorithm for Image Classification
• Title（参考訳）: QGAIC: 画像分類のための量子インスパイアされた遺伝的アルゴリズム
• Authors: Akhilesh Kumar Singh, Kirankumar R. Hiremath,
• Abstract要約: 本研究は、2つのメタヒューリスティックス手法を用いて、2つの新しい量子インスパイアされたメタアプローチを導入する。 2つの提案手法は古典的および量子的遺伝的アルゴリズムのアプローチを組み合わせたものである。 5つの異なるMNISTデータセットに対して、全ての参加アルゴリズムのパフォーマンスが評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study uses two meta-heuristics methodologies to introduce two novel quantum-inspired meta heuristic approaches: quantum-inspired genetic algorithm (QIGA1) and quantum-inspired genetic algorithm with dynamic approach (QIGA2). The two suggested methods combine a classical and quantum genetic algorithm approach. Both approaches use The correlation coefficient as an assessment function to identify the best (optimal) values for binary image. In quantum computing, they use simple ideas like qubits and state superposition. Due to these characteristics, parallelism which uses the time discreteness of quantum mechanical systems, is exhibited. For five distinct MNIST datasets, the performance of all participating algorithms has been assessed by comparing the suggested approaches first with their traditional approach counterparts and then with the proposed methods QIGA1 and QIGA2. Each method's ideal threshold value, associated fitness value (best and average), loss, and accuracy for each MNIST dataset have all been published. The outcomes demonstrate the superior efficiency of the suggested approaches over their traditional equivalents.
• Abstract（参考訳）: 本研究は2つのメタヒューリスティックス手法を用いて、量子インスパイアされた遺伝的アルゴリズム(QIGA1)と量子インスパイアされた遺伝的アルゴリズム(QIGA2)の2つの新しい量子インスパイアされたメタヒューリスティックアプローチを導入する。 提案した2つの手法は古典的および量子的遺伝的アルゴリズムのアプローチを組み合わせたものである。 どちらの手法も、相関係数を評価関数として使用し、バイナリ画像の最適値(最適値)を特定する。 量子コンピューティングでは、量子ビットや状態重畳といった単純なアイデアを使用する。 これらの特徴により、量子力学系の時間離散性を用いた並列性を示す。 5つの異なるMNISTデータセットに対して、提案したアプローチを従来のアプローチと比較し、提案手法であるQIGA1とQIGA2を比較して、全ての参加アルゴリズムの性能を評価した。 各メソッドの理想的なしきい値、関連する適合値(ベストと平均)、損失、MNISTデータセットの正確性はすべて公表されている。 これらの結果は、提案されたアプローチの従来の等価性よりも優れた効率性を示している。

関連論文リスト

• A Quantum Genetic Algorithm Framework for the MaxCut Problem [49.59986385400411]
  提案手法では,Groverをベースとした進化的枠組みと分割・分散原理を用いた量子遺伝的アルゴリズム(QGA)を提案する。 完全グラフ上では、提案手法は真に最適なMaxCut値を一貫して達成し、セミデフィニティプログラミング(SDP)アプローチより優れている。 ErdHos-R'enyiランダムグラフでは、QGAは競合性能を示し、SDP結果の92-96%で中央値の解が得られる。
  論文  参考訳（メタデータ） (2025-01-02T05:06:16Z)
• Quantum-Inspired Genetic Algorithm for Designing Planar Multilayer Photonic Structure [40.27913742030096]
  量子アルゴリズムは、機能性材料の設計における新しいツールである。 量子コンピューティングリソースの高価格と成長するコンピューティングニーズのバランスをとる方法は、解決すべき緊急の問題となっている。 改良された量子遺伝的アルゴリズム(QGA)と機械学習サロゲートモデル回帰を組み合わせた能動的学習方式に基づく新しい最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-05-08T03:03:10Z)
• GARA: A novel approach to Improve Genetic Algorithms' Accuracy and Efficiency by Utilizing Relationships among Genes [1.7226572355808027]
  本稿では,遺伝子間の関係を利用してGAの精度と効率を向上させる遺伝子制御遺伝的アルゴリズム(GRGA)を提案する。 我々は、RGGRと呼ばれる溶液空間をカプセル化した有向多部グラフを使用し、各ノードは溶液中の遺伝子に対応し、エッジは隣り合うノード間の関係を表す。 得られたRGGRは、クロスオーバーと突然変異演算子の適切な座を決定するために使用され、それによって進化過程をより速くより良く収束させる。
  論文  参考訳（メタデータ） (2024-04-28T08:33:39Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
  遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。 本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-28T13:05:30Z)
• Predicting RNA Secondary Structure on Universal Quantum Computer [2.277461161767121]
  RNA構造が塩基配列からどのように折り畳み、その二次構造がどのように形成されるかを知るための最初のステップである。 従来のエネルギーベースのアルゴリズムは、特に非ネスト配列の精度が低い。 普遍量子コンピューティングのためのゲートモデルアルゴリズムは利用できない。
  論文  参考訳（メタデータ） (2023-05-16T15:57:38Z)
• A quantum advantage over classical for local max cut [48.02822142773719]
  量子最適化近似アルゴリズム(QAOA)は、次数3グラフ上の古典的手法に匹敵する計算上の優位性を持つ。 結果として、最先端の量子ハードウェアに関係している小規模量子計算でさえ、比較可能な単純な古典よりも大きな優位性を持つ可能性が示唆された。
  論文  参考訳（メタデータ） (2023-04-17T16:42:05Z)
• Discovering Attention-Based Genetic Algorithms via Meta-Black-Box Optimization [13.131971623143622]
  全く新しい遺伝的アルゴリズムをデータ駆動方式で発見する。 我々は、選択と突然変異率の適応をクロスアテンションモジュールおよびセルフアテンションモジュールとしてパラメトリズする。 学習アルゴリズムは、未確認の最適化問題、探索次元、評価予算に適用できる。
  論文  参考訳（メタデータ） (2023-04-08T12:14:15Z)
• Genetically Modified Wolf Optimization with Stochastic Gradient Descent for Optimising Deep Neural Networks [0.0]
  本研究の目的は、人口ベースメタヒューリスティックアルゴリズムを用いて、ニューラルネットワーク(NN)重み付けを最適化するための代替アプローチを分析することである。 Grey Wolf (GWO) と Genetic Modified Algorithms (GA) のハイブリッドをグラディエント・Descent (SGD) と組み合わせて検討した。 このアルゴリズムは、高次元性の問題にも対処しながら、エクスプロイトと探索の組み合わせを可能にする。
  論文  参考訳（メタデータ） (2023-01-21T13:22:09Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• A Genetic Quantum Annealing Algorithm [0.0]
  遺伝的アルゴリズム(英: genetic algorithm, GA)は、遺伝的・自然選択の原理に基づく探索に基づく最適化手法である。 本稿では,量子アニールからの入力により古典的GAを向上するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-15T16:59:55Z)
• Quantum vs classical genetic algorithms: A numerical comparison shows faster convergence [0.0]
  いくつかの量子変種は、収束速度において全ての古典的変種よりも近い最適結果に対して優れていることを示す。 もしこの利点がより大きなシステムに当てはまるなら、量子遺伝アルゴリズムは量子コンピュータの最適化問題に対処するための新しいツールを提供するだろう。
  論文  参考訳（メタデータ） (2022-07-19T13:07:44Z)
• Stochastic optimization algorithms for quantum applications [0.0]
  本稿では、一階法、二階法、量子自然勾配最適化法の使用法を概観し、複素数体で定義される新しいアルゴリズムを提案する。 全ての手法の性能は、変分量子固有解法、量子状態の量子制御、および量子状態推定に応用して評価される。
  論文  参考訳（メタデータ） (2022-03-11T16:17:05Z)
• Benchmarking Small-Scale Quantum Devices on Computing Graph Edit Distance [52.77024349608834]
  グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。 本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
  論文  参考訳（メタデータ） (2021-11-19T12:35:26Z)
• Quantum-Classical Hybrid Algorithm for the Simulation of All-Electron Correlation [58.720142291102135]
  本稿では、分子の全電子エネルギーと古典的コンピュータ上の特性を計算できる新しいハイブリッド古典的アルゴリズムを提案する。 本稿では,現在利用可能な量子コンピュータ上で,化学的に関連性のある結果と精度を実現する量子古典ハイブリッドアルゴリズムの能力を実証する。
  論文  参考訳（メタデータ） (2021-06-22T18:00:00Z)
• Practical Schemes for Finding Near-Stationary Points of Convex Finite-Sums [45.91933657088324]
  凸有限サムの近定常点探索におけるアルゴリズム手法の体系的研究を行う。 私たちの主な貢献は、いくつかのアルゴリズム的な発見です。 我々は,今後の発展を促進する新しいスキームのシンプルさと実用性を強調した。
  論文  参考訳（メタデータ） (2021-05-25T16:46:35Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。