論文の概要: Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions

• arxiv url: http://arxiv.org/abs/2501.15828v5
• Date: Mon, 30 Jun 2025 13:24:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 15:08:38.869177
• Title: Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions
• Title（参考訳）: 振幅符号化によるハイブリッド量子ニューラルネットワーク:回復率予測の改善
• Authors: Ying Chen, Paul Griffin, Paolo Recchia, Lei Zhou, Hongrui Zhang,
• Abstract要約: 回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上など、債券投資戦略において重要な役割を担っている。 本稿では,Amplitudeを用いたハイブリッド量子機械学習(QML)モデルを提案する。 我々は1996年から2023年までの1,725の観測結果からなる地球規模の回復率データセット上でモデルを評価した。
• 参考スコア（独自算出の注目度）: 6.699192644249841
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recovery rate prediction plays a pivotal role in bond investment strategies by enhancing risk assessment, optimizing portfolio allocation, improving pricing accuracy, and supporting effective credit risk management. However, accurate forecasting remains challenging due to complex nonlinear dependencies, high-dimensional feature spaces, and limited sample sizes-conditions under which classical machine learning models are prone to overfitting. We propose a hybrid Quantum Machine Learning (QML) model with Amplitude Encoding, leveraging the unitarity constraint of Parametrized Quantum Circuits (PQC) and the exponential data compression capability of qubits. We evaluate the model on a global recovery rate dataset comprising 1,725 observations and 256 features from 1996 to 2023. Our hybrid method significantly outperforms both classical neural networks and QML models using Angle Encoding, achieving a lower Root Mean Squared Error (RMSE) of 0.228, compared to 0.246 and 0.242, respectively. It also performs competitively with ensemble tree methods such as XGBoost. While practical implementation challenges remain for Noisy Intermediate-Scale Quantum (NISQ) hardware, our quantum simulation and preliminary results on noisy simulators demonstrate the promise of hybrid quantum-classical architectures in enhancing the accuracy and robustness of recovery rate forecasting. These findings illustrate the potential of quantum machine learning in shaping the future of credit risk prediction.
• Abstract（参考訳）: 回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上、効果的な信用リスク管理の支援により、債券投資戦略において重要な役割を果たす。 しかし、複雑な非線形依存、高次元の特徴空間、古典的な機械学習モデルが過度に適合する傾向にある限られたサンプルサイズ条件のため、正確な予測は依然として困難である。 本稿では、並列化量子回路(PQC)のユニタリ性制約と量子ビットの指数的データ圧縮機能を利用する、振幅符号化を用いたハイブリッド量子機械学習(QML)モデルを提案する。 我々は1996年から2023年までの1,725の観測と256の特徴からなる地球規模の回復率データセット上でモデルを評価した。 本手法は,従来のニューラルネットワークとQMLモデルにおいて,それぞれ0.246と0.242と比較して0.228の低いルート平均正方形誤差(RMSE)を実現している。 また、XGBoostのようなアンサンブルツリーメソッドと競合する。 ノイズ中間スケール量子(NISQ)ハードウェアの実装課題は依然として残っているが、我々の量子シミュレーションとノイズシミュレータの予備的な結果は、回復率予測の精度と堅牢性を高めるためにハイブリッド量子古典アーキテクチャの可能性を実証している。 これらの結果は、信用リスク予測の未来を形成するための量子機械学習の可能性を示している。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Readout-Side Bypass for Residual Hybrid Quantum-Classical Models [3.609274776085931]
  量子機械学習(QML)はコンパクトで表現力のある表現を約束するが、測定ボトルネックに悩まされる。 本稿では,分類前の生入力で量子的特徴を確認可能な,軽量な残差ハイブリッドアーキテクチャを提案する。 我々のモデルは、低通信コストとプライバシーの堅牢性を保ちながら、量子ベースラインよりも最大で55%精度が向上する。
  論文  参考訳（メタデータ） (2025-11-25T23:27:53Z)
• A Novel XAI-Enhanced Quantum Adversarial Networks for Velocity Dispersion Modeling in MaNGA Galaxies [14.016108312641101]
  本稿では,従来のディープラーニング層とハイブリッド量子ニューラルネットワーク(QNN)を統合した新しい量子対向フレームワークを提案する。 提案モデルでは,予測精度とモデル説明可能性の両方を最適化し,QNNを並列に導出する。 実証的な評価は、バニラモデルがRMSE = 0.27、MSE = 0.071、MAE = 0.21、R2 = 0.59を達成し、敵のモデルと比較して最も一貫したパフォーマンスを提供することを示している。
  論文  参考訳（メタデータ） (2025-10-28T16:27:10Z)
• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction [0.8957579200590984]
  アフィニティ予測に関わる高性能な要求と膨大なデータセットは、ますます大きなAIモデルを必要としている。 これらの課題に対する有望な解決策として量子機械学習が登場した。 本研究では、非線形関数を近似する能力を実証的に示すハイブリッド量子ニューラルネットワーク(HQNN)を提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:20:21Z)
• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Unitary Scrambling and Collapse: A Quantum Diffusion Framework for Generative Modeling [5.258882634977828]
  画像生成のための最初の完全量子拡散に基づくフレームワークであるQSC-Diffusionを提案する。 逆ノイズ発生のためのパラメータ化量子回路を用いる。 注目すべきは、QSC-Diffusionは複数のデータセット間で競合するFIDスコアを達成することだ。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出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。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine [0.9968037829925945]
  我々は,CO2捕捉アミンの構造-適合関係モデルを改善するために,ハイブリッド量子ニューラルネットワーク(HQNN)を開発した。 HQNNは、塩基性、粘性、沸点、融点、蒸気圧などの主要な溶媒特性の予測精度を向上させる。
  論文  参考訳（メタデータ） (2025-03-01T07:26:45Z)
• Quantum-driven Zero Trust Framework with Dynamic Anomaly Detection in 7G Technology: A Neural Network Approach [0.0]
  セキュリティ強化のためのQNN-ZTF(Quantum Neural Network-Enhanced Zero Trust Framework)を提案する。 セキュリティ強化のためにZero Trust Architecture, Intrusion Detection Systems, Quantum Neural Networks(QNN)を統合した。 サイバー脅威の軽減効果が向上し, 偽陽性と応答時間を減らすための枠組みの有効性が示された。
  論文  参考訳（メタデータ） (2025-02-11T18:59:32Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• 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)
• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• Split-Boost Neural Networks [1.1549572298362787]
  本稿では,スプリットブートと呼ばれるフィードフォワードアーキテクチャの革新的なトレーニング戦略を提案する。 このような新しいアプローチは、最終的に正規化項を明示的にモデル化することを避けることができる。 提案した戦略は、ベンチマーク医療保険設計問題内の実世界の(匿名化された)データセットでテストされる。
  論文  参考訳（メタデータ） (2023-09-06T17:08:57Z)
• Quantization Aware Factorization for Deep Neural Network Compression [20.04951101799232]
  畳み込み層と完全連結層の分解は、ニューラルネットワークにおけるパラメータとFLOPを減らす効果的な方法である。 従来のトレーニング後量子化手法は重み付きネットワークに適用され、精度が低下する。 これは、分解された近似を量子化因子で直接発見するアルゴリズムを開発する動機となった。
  論文  参考訳（メタデータ） (2023-08-08T21:38:02Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
  変動量子回路(VQC)における重み付けの考え方を紹介する。 我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。 以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-06-09T09:42:21Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)

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。