論文の概要: Probabilistic Quantum SVM Training on Ising Machine
- arxiv url: http://arxiv.org/abs/2503.16363v1
- Date: Thu, 20 Mar 2025 17:20:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 16:35:14.350500
- Title: Probabilistic Quantum SVM Training on Ising Machine
- Title（参考訳）: イジングマシンによる確率量子SVMトレーニング
- Authors: Haoqi He, Yan Xiao,
- Abstract要約: 我々はコヒーレントイジングマシン(CIM)に適した確率論的量子SVMトレーニングフレームワークを提案する。
我々はバッチ処理とマルチバッチアンサンブル戦略を採用し、小規模の量子デバイスがより大きなデータセット上でSVMをトレーニングできるようにする。
本手法は,バイナリおよびマルチクラスデータセットのシミュレーションおよび実機実験により検証する。
- 参考スコア（独自算出の注目度）: 2.44505480142099
- License:
- Abstract: Quantum computing holds significant potential to accelerate machine learning algorithms, especially in solving optimization problems like those encountered in Support Vector Machine (SVM) training. However, current QUBO-based Quantum SVM (QSVM) methods rely solely on binary optimal solutions, limiting their ability to identify fuzzy boundaries in data. Additionally, the limited qubit count in contemporary quantum devices constrains training on larger datasets. In this paper, we propose a probabilistic quantum SVM training framework suitable for Coherent Ising Machines (CIMs). By formulating the SVM training problem as a QUBO model, we leverage CIMs' energy minimization capabilities and introduce a Boltzmann distribution-based probabilistic approach to better approximate optimal SVM solutions, enhancing robustness. To address qubit limitations, we employ batch processing and multi-batch ensemble strategies, enabling small-scale quantum devices to train SVMs on larger datasets and support multi-class classification tasks via a one-vs-one approach. Our method is validated through simulations and real-machine experiments on binary and multi-class datasets. On the banknote binary classification dataset, our CIM-based QSVM, utilizing an energy-based probabilistic approach, achieved up to 20% higher accuracy compared to the original QSVM, while training up to $10^4$ times faster than simulated annealing methods. Compared with classical SVM, our approach either matched or reduced training time. On the IRIS three-class dataset, our improved QSVM outperformed existing QSVM models in all key metrics. As quantum technology advances, increased qubit counts are expected to further enhance QSVM performance relative to classical SVM.
- Abstract（参考訳）: 量子コンピューティングは、特にSVM(Support Vector Machine)トレーニングで遭遇したような最適化問題の解決において、機械学習アルゴリズムを加速する大きな可能性を秘めている。
しかし、現在のQUBOベースのQuantum SVM(QSVM)メソッドはバイナリ最適解のみに依存しており、データ内のファジィ境界を識別する能力を制限する。
さらに、現代の量子デバイスにおける量子ビット数の制限は、より大きなデータセットのトレーニングを制限している。
本稿では,コヒーレントイジングマシン(CIM)に適した確率論的量子SVMトレーニングフレームワークを提案する。
QUBOモデルとしてSVMトレーニング問題を定式化することにより、CIMのエネルギー最小化能力を活用し、ボルツマン分布に基づく確率的アプローチを導入し、最適なSVMソリューションを最適化し、堅牢性を向上する。
キュービット制限に対処するため、バッチ処理とマルチバッチアンサンブル戦略を採用し、小規模の量子デバイスで大規模なデータセット上でSVMをトレーニングし、1vs-oneアプローチでマルチクラス分類タスクをサポートする。
本手法は,バイナリおよびマルチクラスデータセットのシミュレーションおよび実機実験により検証する。
銀行券のバイナリ分類データセットでは,エネルギーベースの確率的アプローチを用いて,従来のQSVMに比べて最大20%高い精度を実現し,シミュレーションアニール法よりも最大10^4$の速度でトレーニングを行った。
従来のSVMと比較して、我々のアプローチはトレーニング時間と一致したか、短縮したかのどちらかでした。
IRISの3クラスデータセットでは、改善されたQSVMが、すべての主要なメトリクスで既存のQSVMモデルより優れています。
量子技術の発展に伴い、量子ビット数は増加し、古典的なSVMと比較してQSVMの性能がさらに向上することが期待されている。
関連論文リスト
- EfficientQAT: Efficient Quantization-Aware Training for Large Language Models [50.525259103219256]
量子化対応トレーニング(QAT)は、低ビット表現によるメモリ消費を最小限の精度で削減することで、ソリューションを提供する。
より有効なQATアルゴリズムであるEfficient QAT(Efficient Quantization-Aware Training)を提案する。
効率的なQATは、全てのパラメータのブロックワイドトレーニング(Block-AP)と量子化パラメータのエンドツーエンドトレーニング(E2E-QP)の2つのフェーズを含む。
論文 参考訳（メタデータ） (2024-07-10T17:53:30Z) - Validating Large-Scale Quantum Machine Learning: Efficient Simulation of Quantum Support Vector Machines Using Tensor Networks [17.80970950814512]
本稿では,大規模量子回路のシミュレーションに有効なテンソルネットワーク方式を提案する。
我々のシミュレーターは、最大784キュービットのQSVMをうまく処理し、1つの高性能GPU上で数秒でシミュレーションを完了する。
論文 参考訳（メタデータ） (2024-05-04T10:37:01Z) - Local Binary and Multiclass SVMs Trained on a Quantum Annealer [0.8399688944263844]
近年,動作量子アンニールの出現に伴い,量子トレーニングと古典的実行を特徴とするハイブリッドSVMモデルが導入されている。
これらのモデルは、古典的なモデルに匹敵する性能を示した。
しかし、現在の量子アニールの接続が制限されているため、トレーニングセットサイズに制限がある。
論文 参考訳（メタデータ） (2024-03-13T14:37:00Z) - Multi-class Support Vector Machine with Maximizing Minimum Margin [67.51047882637688]
Support Vector Machine (SVM) は、パターン認識タスクに広く応用されている機械学習技術である。
本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。
実験により,提案手法の有効性と優位性を示す。
論文 参考訳（メタデータ） (2023-12-11T18:09:55Z) - 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) - Enhancing Quantum Support Vector Machines through Variational Kernel
Training [0.0]
本稿では、既存の量子カーネルSVMと量子変分SVMの2つの方法に焦点を当てる。
本稿では,QK-SVMとQV-SVMの強度を相乗化して精度を向上させる手法を提案する。
以上の結果から,QVK-SVMはQMLアプリケーションの信頼性とトランスフォーメーションツールとして大きな可能性を秘めていることがわかった。
論文 参考訳（メタデータ） (2023-05-10T11:30:43Z) - 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) - Boosting Method for Automated Feature Space Discovery in Supervised
Quantum Machine Learning Models [2.9419410749069255]
量子サポートベクトルマシン(QSVM)は、量子カーネル法の研究と応用において重要なツールとなっている。
本稿では、QSVMモデルのアンサンブルの構築と、複数のデータセット間での性能改善を評価するための強化手法を提案する。
論文 参考訳（メタデータ） (2022-05-24T16:56:22Z) - Handling Imbalanced Classification Problems With Support Vector Machines
via Evolutionary Bilevel Optimization [73.17488635491262]
サポートベクトルマシン(SVM)は、バイナリ分類問題に対処する一般的な学習アルゴリズムである。
この記事では、EBCS-SVMについて紹介する。
論文 参考訳（メタデータ） (2022-04-21T16:08:44Z) - Practical application improvement to Quantum SVM: theory to practice [0.9449650062296824]
量子特徴写像を用いて、データを量子状態に変換し、これらの量子状態からSVMカーネルを構築する。
実験では,データセットの複雑さに関わらず,QSVMがSVMに対して等しく動作することを示す。
論文 参考訳（メタデータ） (2020-12-14T17:19:17Z) - On Coresets for Support Vector Machines [61.928187390362176]
coresetは、元のデータポイントの小さな、代表的なサブセットである。
我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
論文 参考訳（メタデータ） (2020-02-15T23:25:12Z)
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。