論文の概要: Data re-uploading in Quantum Machine Learning for time series: application to traffic forecasting

• arxiv url: http://arxiv.org/abs/2501.12776v1
• Date: Wed, 22 Jan 2025 10:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 16:54:03.761780
• Title: Data re-uploading in Quantum Machine Learning for time series: application to traffic forecasting
• Title（参考訳）: 時系列の量子機械学習におけるデータ再アップロード:トラフィック予測への応用
• Authors: Nikolaos Schetakis, Paolo Bonfini, Negin Alisoltani, Konstantinos Blazakis, Symeon I. Tsintzos, Alexis Askitopoulos, Davit Aghamalyan, Panagiotis Fafoutellis, Eleni I. Vlahogianni,
• Abstract要約: 本稿では、輸送予測の文脈における量子データ再ロードの最初の応用について述べる。 この技術は、古典的なデータを量子状態に繰り返しエンコードすることで、トラフィックダイナミクスのような複雑なパターンをよりよくキャプチャすることを可能にする。 以上の結果から,従来の手法と競合する精度が得られ,特に量子ビット数の増加や再アップロードブロックの増大にともなって,ハイブリッドモデルによる性能向上が期待できる。
• 参考スコア（独自算出の注目度）: 1.2885961238169932
• License:
• Abstract: Accurate traffic forecasting plays a crucial role in modern Intelligent Transportation Systems (ITS), as it enables real-time traffic flow management, reduces congestion, and improves the overall efficiency of urban transportation networks. With the rise of Quantum Machine Learning (QML), it has emerged a new paradigm possessing the potential to enhance predictive capabilities beyond what classical machine learning models can achieve. In the present work we pursue a heuristic approach to explore the potential of QML, and focus on a specific transport issue. In particular, as a case study we investigate a traffic forecast task for a major urban area in Athens (Greece), for which we possess high-resolution data. In this endeavor we explore the application of Quantum Neural Networks (QNN), and, notably, we present the first application of quantum data re-uploading in the context of transport forecasting. This technique allows quantum models to better capture complex patterns, such as traffic dynamics, by repeatedly encoding classical data into a quantum state. Aside from providing a prediction model, we spend considerable effort in comparing the performance of our hybrid quantum-classical neural networks with classical deep learning approaches. Our results show that hybrid models achieve competitive accuracy with state-of-the-art classical methods, especially when the number of qubits and re-uploading blocks is increased. While the classical models demonstrate lower computational demands, we provide evidence that increasing the complexity of the quantum model improves predictive accuracy. These findings indicate that QML techniques, and specifically the data re-uploading approach, hold promise for advancing traffic forecasting models and could be instrumental in addressing challenges inherent in ITS environments.
• Abstract（参考訳）: 正確な交通予測は、リアルタイム交通フロー管理を可能にし、混雑を低減し、都市交通網全体の効率を向上させるため、現代のインテリジェント交通システム(ITS)において重要な役割を担っている。 量子機械学習(QML)の台頭とともに、古典的な機械学習モデルが達成できる以上の予測能力を高める可能性を持つ新しいパラダイムが登場した。 本研究では,QMLの可能性を探究するヒューリスティックなアプローチを追求し,特定の輸送問題に焦点を当てる。 特にケーススタディとして,高解像度データを保有するアテネ(ギリシャ)の主要都市部における交通予測課題について検討する。 本稿では、量子ニューラルネットワーク(QNN)の適用について検討し、特に、輸送予測の文脈における量子データ再アップロードの第一の応用について述べる。 この技術は、古典的なデータを量子状態に繰り返しエンコードすることで、トラフィックダイナミクスのような複雑なパターンをよりよくキャプチャすることを可能にする。 予測モデルの提供以外にも、私たちのハイブリッド量子古典ニューラルネットワークのパフォーマンスと古典的なディープラーニングアプローチの比較に多大な労力を費やしています。 以上の結果から,従来の手法と競合する精度が得られ,特に量子ビット数の増加や再アップロードブロックの増大にともなって,ハイブリッドモデルによる性能向上が期待できる。 古典的モデルはより低い計算要求を示すが、量子モデルの複雑さを増大させることで予測精度が向上することを示す。 これらの結果から,QML技術,特にデータ再ロードアプローチは,交通予測モデルの進歩を約束し,ITS環境に固有の課題に対処する上で有効である可能性が示唆された。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Exploring Quantum Neural Networks for Demand Forecasting [0.25128687379089687]
  本稿では,量子ニューラルネットワークを用いた需要予測モデルの学習手法を提案する。 従来のリカレントニューラルネットワークを用いて結果を比較した。 古典モデルと量子モデルの間にも同様の予測能力を示す。
  論文  参考訳（メタデータ） (2024-10-19T13:01:31Z)
• Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective [7.7063925534143705]
  本稿では,量子コンピューティングと機械学習アルゴリズムを統合する新しいアプローチであるQuantum-Train(QT)フレームワークを紹介する。 QTは、古典的なマッピングモデルと並んで量子ニューラルネットワークを利用することで、顕著な結果を得る。
  論文  参考訳（メタデータ） (2024-05-18T14:35:57Z)
• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。 我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。 量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• 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)
• 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)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Quantum neural networks with deep residual learning [29.929891641757273]
  本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
  論文  参考訳（メタデータ） (2020-12-14T18:11:07Z)

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。