論文の概要: Quantum-Classical Comparison of B-cell Epitope Prediction Using QSVM and VQC
- arxiv url: http://arxiv.org/abs/2504.10073v1
- Date: Mon, 14 Apr 2025 10:19:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-15 16:50:52.787475
- Title: Quantum-Classical Comparison of B-cell Epitope Prediction Using QSVM and VQC
- Title（参考訳）: QSVMとVQCを用いたB細胞エピトープ予測の古典的比較
- Authors: Chi-Chuan Hwang, Cheng-Fang Su, Yi-Ang Hong,
- Abstract要約: 我々は、古典的サポートベクトルマシン(SVM)とその量子対応である量子サポートベクトルマシン(QSVM)について検討する。
VQCはパラメータ化量子回路に基づく完全量子モデルである。
我々は,VQCが大規模で高次元のデータセットでよく動作するのに対して,QSVMは小型でノイズのないデータセットでより安定した精度を維持していることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Support Vector Machine (SVM) is a classical and widely applied supervised machine learning algorithm for binary classification. Utilizing the kernel trick enables embedding data into higher-dimensional feature spaces to address non-linear classification tasks effectively. This study investigates the classical SVM and its quantum counterpart, the Quantum Support Vector Machine (QSVM), which leverages quantum feature maps to embed data into high-dimensional Hilbert spaces. Additionally, we explore the Variational Quantum Classifier (VQC), a fully quantum model based on parameterized quantum circuits. We apply these quantum and classical models to the task of B-cell epitope prediction, a critical problem in immunoinformatics relevant to vaccine design. Using curated data from the Immune Epitope Database (IEDB), we examine classification performance under varying feature dimensionality and sample sizes. Dimensionality reduction is performed using Principal Component Analysis (PCA), and experiments include both QSVM and VQC under multiple training conditions. Our findings show that VQC generally performs better on larger, high-dimensional datasets, while QSVM maintains more stable accuracy on small, noise-free datasets. This study also highlights the resource trade-offs between the two models: QSVM demands extensive kernel evaluations, while VQC benefits from shallow circuits and sample-wise training, making it suitable for near-term quantum hardware. These results contribute to understanding how different quantum machine learning models perform under practical constraints in biomedical sequence classification.
- Abstract（参考訳）: Support Vector Machine (SVM) は、古典的で広く使われているバイナリ分類のための機械学習アルゴリズムである。
カーネルトリックを利用することで、高次元の特徴空間にデータを埋め込み、非線形分類タスクに効果的に対処することができる。
本研究では、量子特徴写像を利用して高次元ヒルベルト空間にデータを埋め込む量子支援ベクトルマシン(QSVM)について検討する。
さらに、パラメータ化量子回路に基づく完全量子モデルである変分量子分類器(VQC)について検討する。
我々はこれらの量子モデルと古典モデルをワクチン設計に関わる免疫情報学における重要な問題であるB細胞エピトープ予測のタスクに適用する。
免疫エピトープデータベース(IEDB)のキュレートデータを用いて,特徴次元とサンプルサイズの違いによる分類性能について検討した。
主成分分析 (PCA) を用いて次元化を行い, 複数トレーニング条件下でのQSVMとVQCの両方の実験を行った。
以上の結果から,VQCは大規模で高次元のデータセットでは高い性能を示し,QSVMは小型でノイズのないデータセットではより安定した精度を維持していることがわかった。
QSVMは広範なカーネル評価を必要とし、VQCは浅い回路とサンプルワイドトレーニングの恩恵を受け、短期的な量子ハードウェアに適している。
これらの結果は、異なる量子機械学習モデルが生物医学的シーケンス分類の実践的制約の下でどのように機能するかを理解するのに寄与する。
関連論文リスト
- Modeling Quantum Machine Learning for Genomic Data Analysis [12.248184406275405]
量子機械学習(QML)は進化を続け、多様なアプリケーションに新たな機会を開放している。
ゲノム配列データのバイナリ分類におけるQMLモデルの適用性について,様々な特徴マッピング手法を用いて検討・評価する。
ベンチマークゲノミクスデータセット上で実験を行うために,オープンソースで独立したQiskitベースの実装を提案する。
論文 参考訳（メタデータ） (2025-01-14T15:14:26Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - HyperVQ: MLR-based Vector Quantization in Hyperbolic Space [56.4245885674567]
一般的な解決策は、VQ変分オートエンコーダ(VQVAE)にベクトル量子化(VQ)を採用することである。
本稿では,双曲型多相ロジスティック回帰(MLR)問題としてVQを定式化する新しい手法であるHyperVQを紹介する。
本実験は,HyperVQが従来のVQに比較し,識別性能を上回りながら,生成・再構成タスクに適合することを示した。
論文 参考訳（メタデータ） (2024-03-18T03:17:08Z) - Non-Hemolytic Peptide Classification Using A Quantum Support Vector
Machine [4.573774555094676]
データが古典的な性質であるときに量子的優位性が存在するかどうかは不明である。
この研究は、計算生物学の分野における量子上の優位性を検証するための道を開いた。
論文 参考訳（メタデータ） (2024-02-06T09:50:06Z) - 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) - Quantum Machine Learning Applied to the Classification of Diabetes [0.0]
ハイブリッド量子メソッドは、デプロイと最適化に非常に適しています。
弱点として、量子コンピューティングはそのポテンシャルを正当化するのに十分な量子ビットを持っていない。
論文 参考訳（メタデータ） (2022-12-31T03:43:07Z) - 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) - 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) - Variational quantum one-class classifier [4.350783459690612]
一級分類は、幅広い応用のパターン認識における根本的な問題である。
本研究では,そのような問題に対する半教師付き量子機械学習アルゴリズムを提案し,変分量子一クラス分類器(VQOCC)と呼ぶ。
VQOCCの性能は、1クラスサポートベクトルマシン(OC-SVM)、カーネル主成分分析(PCA)、手書き桁とFashion-MNISTデータセットを用いたディープ畳み込みオートエンコーダ(DCAE)と比較される。
論文 参考訳（メタデータ） (2022-10-06T04:32:55Z) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳（メタデータ） (2022-02-17T09:55:21Z) - 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)
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。