論文の概要: Implementing Large Quantum Boltzmann Machines as Generative AI Models for Dataset Balancing

• arxiv url: http://arxiv.org/abs/2502.03086v1
• Date: Wed, 05 Feb 2025 11:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:29:31.094727
• Title: Implementing Large Quantum Boltzmann Machines as Generative AI Models for Dataset Balancing
• Title（参考訳）: データセットバランシングのための生成AIモデルとしての大規模量子ボルツマンマシンの実装
• Authors: Salvatore Sinno, Markus Bertl, Arati Sahoo, Bhavika Bhalgamiya, Thomas Groß, Nicholas Chancellor,
• Abstract要約: 本研究では,D-Wave のペガサス量子ハードウェア上での生成モデルとして大きな量子ボルツマンマシン (QRBM) を実装し,制限侵入検知システム (IDS) におけるデータセット不均衡に対処する。 QRBMは660万以上の攻撃サンプルを合成し、4200万レコード以上のバランスの取れたデータセットを達成した。
• 参考スコア（独自算出の注目度）: 1.4843690728082002
• License:
• Abstract: This study explores the implementation of large Quantum Restricted Boltzmann Machines (QRBMs), a key advancement in Quantum Machine Learning (QML), as generative models on D-Wave's Pegasus quantum hardware to address dataset imbalance in Intrusion Detection Systems (IDS). By leveraging Pegasus's enhanced connectivity and computational capabilities, a QRBM with 120 visible and 120 hidden units was successfully embedded, surpassing the limitations of default embedding tools. The QRBM synthesized over 1.6 million attack samples, achieving a balanced dataset of over 4.2 million records. Comparative evaluations with traditional balancing methods, such as SMOTE and RandomOversampler, revealed that QRBMs produced higher-quality synthetic samples, significantly improving detection rates, precision, recall, and F1 score across diverse classifiers. The study underscores the scalability and efficiency of QRBMs, completing balancing tasks in milliseconds. These findings highlight the transformative potential of QML and QRBMs as next-generation tools in data preprocessing, offering robust solutions for complex computational challenges in modern information systems.
• Abstract（参考訳）: 本研究では,D-Wave のペガサス量子ハードウェア上の生成モデルとして,量子機械学習 (QML) の重要な進歩である大きな量子制限ボルツマンマシン (QRBM) を実装し,侵入検出システム (IDS) のデータセット不均衡に対処する。 Pegasusの強化された接続性と計算機能を活用することで、120の可視性と120の隠蔽ユニットを備えたQRBMが、デフォルトの埋め込みツールの制限を越え、うまく組み込まれた。 QRBMは660万以上の攻撃サンプルを合成し、4200万レコード以上のバランスの取れたデータセットを達成した。 SMOTEやRandomOversamplerなどの従来のバランス手法との比較では、QRBMは高品質な合成サンプルを生成し、検出率、精度、リコール、F1スコアを様々な分類器で大幅に改善した。 この研究はQRBMのスケーラビリティと効率を強調し、タスクのバランスをミリ秒で完了する。 これらの知見は、データ前処理における次世代ツールとしてのQMLとQRBMの変革の可能性を強調し、現代の情報システムにおける複雑な計算課題に対する堅牢なソリューションを提供する。

関連論文リスト

• Transformer neural networks and quantum simulators: a hybrid approach for simulating strongly correlated systems [1.6494451064539348]
  本稿では、数値データや実験データによるデータ駆動事前学習と、ハミルトン駆動最適化の第2段階を含む、ニューラル量子状態(NQS)のハイブリッド最適化手法を提案する。 我々の研究は、ニューラル量子状態の信頼性と効率的な最適化の道を開いた。
  論文  参考訳（メタデータ） (2024-05-31T17:55:27Z)
• Graph Neural Networks for Parameterized Quantum Circuits Expressibility Estimation [5.074765131677166]
  本稿では,グラフニューラルネットワーク(GNN)を用いた量子回路の表現可能性推定手法を提案する。 我々は、ノイズのないIBM QASMシミュレータから25,000のサンプルと、3つのノイズの多い量子バックエンドから12,000のサンプルからなるデータセットを用いて、GNNモデルの予測能力を実証した。
  論文  参考訳（メタデータ） (2024-05-13T18:26:55Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Enabling Quantum Cybersecurity Analytics in Botnet Detection: Stable Architecture and Speed-up through Tree Algorithms [0.0]
  我々は,100個のデータサンプルと5,000個のデータサンプルを用いた実デバイスシミュレーションを用いて,実量子コンピュータ上でのハイブリッド機械学習手法の実行を可能にする。 我々は,データサンプル1000件と量子シミュレータのみを処理していた2022年のSuryotrisongko と Musashi の精度を上回りました。 我々はHoeffding決定木アルゴリズムに基づく新しいハイブリッド量子二項分類アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-23T18:29:38Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。