論文の概要: Unsupervised Feature Extraction and Reconstruction Using Parameterized Quantum Circuits
- arxiv url: http://arxiv.org/abs/2502.07667v1
- Date: Tue, 11 Feb 2025 16:13:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:07:22.221864
- Title: Unsupervised Feature Extraction and Reconstruction Using Parameterized Quantum Circuits
- Title（参考訳）: パラメータ化量子回路を用いた教師なし特徴抽出と再構成
- Authors: Li-An Lo, Li-Yi Hsu, En-Jui Kuo,
- Abstract要約: 量子オートエンコーダ(QAE)は手書き桁分類などの基本的な分類タスクでは広く評価されていない。
QCNNベースのエンコーダを用いて、QAEはMNISTのバイナリ分類において平均97.59%の精度を達成する(0, 1)。
この結果は,QAEとQCNNの相乗効果が最適特徴抽出性能を達成する上で重要である。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Autoencoders are fundamental tools in classical computing for unsupervised feature extraction, dimensionality reduction, and generative learning. The Quantum Autoencoder (QAE), introduced by Romero J.[2017 Quantum Sci. Technol. 2 045001], extends this concept to quantum systems and has been primarily applied to tasks like anomaly detection. Despite its potential, QAE has not been extensively evaluated in basic classification tasks such as handwritten digit classification, which could provide deeper insights into its capabilities. In this work, we systematically investigate the performance of QAE in unsupervised feature extraction and reconstruction tasks. Using various encoder and decoder architectures, we explore QAE's ability to classify MNIST and analyze its reconstruction effectiveness. Notably, with a QCNN-based encoder, QAE achieves an average accuracy of 97.59% in binary classification of MNIST (0 and 1), demonstrating the feasibility of QAE for such tasks. This result highlights the synergy between QAE and QCNN in achieving optimal feature extraction performance. However, we also identify limitations in QAE's reconstruction capability, underscoring the need for further advancements in encoder and decoder designs. Our findings provide a foundation for future research on leveraging QAE in practical quantum machine learning applications.
- Abstract（参考訳）: オートエンコーダは、教師なし特徴抽出、次元減少、生成学習のための古典コンピューティングの基本的なツールである。
量子オートエンコーダ (QAE) はロメロJによって導入された。
2017 Quantum Sci. Technol. 2 045001] は、この概念を量子システムに拡張し、主に異常検出のようなタスクに適用してきた。
その可能性にもかかわらず、QAEは手書きの数字分類のような基本的な分類タスクでは広く評価されていない。
本研究では,教師なし特徴抽出および再構成作業におけるQAEの性能を系統的に検討する。
各種エンコーダおよびデコーダアーキテクチャを用いて,MNISTを分類し,その再構成の有効性を解析するQAEの機能について検討する。
特に、QCNNベースのエンコーダを用いて、QAEはMNIST(0と1)のバイナリ分類において平均97.59%の精度を達成する。
この結果は,QAEとQCNNの相乗効果が最適特徴抽出性能を達成する上で重要である。
しかし, エンコーダやデコーダの設計のさらなる進歩の必要性を強調して, QAEの再構築能力の限界も明らかにした。
本研究は,量子機械学習応用におけるQAEの活用に関する今後の研究の基盤となるものである。
関連論文リスト
- Benchmarking Quantum Convolutional Neural Networks for Classification and Data Compression Tasks [0.4379805041989628]
量子畳み込みニューラルネットワーク(QCNN)は、量子機械学習タスクの有望なモデルとして登場した。
本稿では,量子基底状態の位相を分類するハードウェア効率アンサッツ(HEA)と比較してQCNNの性能について検討する。
論文 参考訳（メタデータ） (2024-11-20T17:17:09Z) - A Coverage-Guided Testing Framework for Quantum Neural Networks [1.7101498519540597]
量子ニューラルネットワーク(QNN)は、量子コンピューティングとニューラルネットワークを組み合わせて機械学習モデルを改善する。
本稿では,QNNの状態探索を体系的に評価するために,QNNを対象としたテストカバレッジ基準のセットであるQCovを提案する。
論文 参考訳（メタデータ） (2024-11-03T08:07:27Z) - Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術は プライバシー セキュリティ 情報整合性に 課題をもたらす
本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-11T20:52:10Z) - QKAN: Quantum Kolmogorov-Arnold Networks [0.6597195879147557]
Kolmogorov-Arnold Networks (KAN)と呼ばれる新しいニューラルネットワークアーキテクチャが登場し、コルモゴロフ-Arnold表現定理の構成構造に着想を得た。
我々のQKANは、量子特異値変換を含む強力な量子線型代数ツールを利用して、ネットワークの端にパラメータ化活性化関数を適用する。
QKANはブロックエンコーディングに基づいており、本質的に直接量子入力に適している。
論文 参考訳（メタデータ） (2024-10-06T10:11:57Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - 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) - IQGAN: Robust Quantum Generative Adversarial Network for Image Synthesis
On NISQ Devices [2.4123561871510275]
我々は、ノイズ中間量子(NISQ)デバイス上で効率よく実装できるマルチキュービット画像合成フレームワークIQGANを提案する。
そこで我々は,古典的データを量子状態に効果的に埋め込む訓練可能なマルチキュービット量子エンコーダを特徴とするIQGANアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-30T14:52:08Z) - 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) - Quantum circuit architecture search on a superconducting processor [56.04169357427682]
変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。
しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。
8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
論文 参考訳（メタデータ） (2022-01-04T01:53:42Z) - On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing
Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。
この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。
マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文 参考訳（メタデータ） (2021-09-20T12:41:50Z) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳（メタデータ） (2020-10-26T03:36:01Z)
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。