論文の概要: Outlier-Robust Multi-Model Fitting on Quantum Annealers
- arxiv url: http://arxiv.org/abs/2504.13836v1
- Date: Fri, 18 Apr 2025 17:59:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 14:31:43.909113
- Title: Outlier-Robust Multi-Model Fitting on Quantum Annealers
- Title（参考訳）: 量子アニール上の外乱多重モデルフィッティング
- Authors: Saurabh Pandey, Luca Magri, Federica Arrigoni, Vladislav Golyanik,
- Abstract要約: マルチモデルフィッティング(MMF)はコンピュータビジョンにおいて重要な課題である。
既存の量子ベースのモデルフィッティングのアプローチは、単一のモデルに制限されるか、または、外れ値のないデータセット内のマルチモデルシナリオを考慮するかのいずれかである。
本稿では,外乱を効果的に扱えるロバスト量子マルチモデルフィッティング(R-QuMF)アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 29.24367815462826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-model fitting (MMF) presents a significant challenge in Computer Vision, particularly due to its combinatorial nature. While recent advancements in quantum computing offer promise for addressing NP-hard problems, existing quantum-based approaches for model fitting are either limited to a single model or consider multi-model scenarios within outlier-free datasets. This paper introduces a novel approach, the robust quantum multi-model fitting (R-QuMF) algorithm, designed to handle outliers effectively. Our method leverages the intrinsic capabilities of quantum hardware to tackle combinatorial challenges inherent in MMF tasks, and it does not require prior knowledge of the exact number of models, thereby enhancing its practical applicability. By formulating the problem as a maximum set coverage task for adiabatic quantum computers (AQC), R-QuMF outperforms existing quantum techniques, demonstrating superior performance across various synthetic and real-world 3D datasets. Our findings underscore the potential of quantum computing in addressing the complexities of MMF, especially in real-world scenarios with noisy and outlier-prone data.
- Abstract（参考訳）: マルチモデルフィッティング(MMF)はコンピュータビジョンにおいて特に組み合わせの性質から重要な課題である。
量子コンピューティングの最近の進歩はNPハード問題に対処するための約束を提供するが、既存の量子ベースのモデルフィッティングアプローチは1つのモデルに制限されるか、外れ値のないデータセットでマルチモデルシナリオを検討するかのいずれかである。
本稿では,外れ値の処理を効果的に行うために,ロバストな量子マルチモデルフィッティング(R-QuMF)アルゴリズムを提案する。
本手法は,MMFタスク固有の組合せ問題に対処するために,量子ハードウェアの本質的な能力を活用する。
この問題をAQC(Adiabatic quantum computer)の最大セットカバレッジタスクとして定式化することにより、R-QuMFは既存の量子技術よりも優れ、様々な合成および実世界の3Dデータセットよりも優れた性能を示す。
本研究は,MMFの複雑度に対処する量子コンピューティングの可能性,特にノイズや外れやすいデータを持つ実世界のシナリオにおいて,その可能性を裏付けるものである。
関連論文リスト
- An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - MQFL-FHE: Multimodal Quantum Federated Learning Framework with Fully Homomorphic Encryption [5.713063730561454]
フェデレートラーニング(FL)における同型暗号化(FHE)は、データのプライバシに大きな進歩をもたらした。
本稿では,FHEによる性能低下に対応するために,量子コンピューティングを利用した新しいマルチモーダル量子フェデレート学習フレームワークを提案する。
また、この量子化手法により、FHEに関連する性能劣化を軽減し、さまざまなデータセットの分類精度を改善し、FLにおけるプライバシー向上における量子介入の可能性を検証する。
論文 参考訳（メタデータ） (2024-11-30T19:53:25Z) - Learning Density Functionals from Noisy Quantum Data [0.0]
ノイズの多い中間スケール量子(NISQ)デバイスは、機械学習(ML)モデルのトレーニングデータを生成するために使用される。
NISQアルゴリズムの典型的なノイズを受ける小さなデータセットからニューラルネットワークMLモデルをうまく一般化できることを示す。
本研究は,NISQデバイスを実用量子シミュレーションに活用するための有望な経路であることを示唆する。
論文 参考訳（メタデータ） (2024-09-04T17:59:55Z) - Attention to Quantum Complexity [21.766643620345494]
我々は,汎用的な古典的AIフレームワークQuantum Attention Network(QuAN)を紹介する。
QuANは、測定スナップショットをトークンとして扱い、置換不変性を尊重する。
われわれはQuANを3つの異なる量子シミュレーション設定で厳格にテストしている。
論文 参考訳（メタデータ） (2024-05-19T17:46:40Z) - Quantum Mixed-State Self-Attention Network [3.1280831148667105]
本稿では,自然言語処理タスクのためのQMSAN(Quantum Mixed-State Self-Attention Network)を提案する。
QMSANは混合状態に基づく量子アテンション機構を使用し、量子領域内のクエリとキー間の直接的な類似度推定を可能にする。
また、回路内の固定量子ゲートを介して実装された革新的な量子位置符号化方式を提案し、追加の量子ビットリソースを使わずにシーケンス情報をキャプチャする能力を向上させる。
論文 参考訳（メタデータ） (2024-03-05T11:29:05Z) - GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。
GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。
GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
論文 参考訳（メタデータ） (2024-01-25T11:11:16Z) - 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) - Dynamic Programming on a Quantum Annealer: Solving the RBC Model [1.0681288493631977]
本稿では,多くの経済モデルにおけるような動的プログラミング問題の量子アニール上での解法を提案する。
文献のベンチマークよりも実際のビジネス・サイクル・モデルを解く際に、オーダー・オブ・マグニチュード・スピードアップを達成する。
論文 参考訳（メタデータ） (2023-06-07T09:38:42Z) - Quantum Multi-Model Fitting [38.11392123303445]
本稿では,Multi-model fit (MMF) に対する最初の量子的アプローチを提案する。
我々は、目的関数の緩和を伴わずに、現代の断熱量子コンピュータで効率的にサンプリングできる問題としてMMFを定式化する。
実験により,様々なデータセットに対して有望な結果が得られた。
論文 参考訳（メタデータ） (2023-03-27T17:59:54Z) - 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) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Error mitigation and quantum-assisted simulation in the error corrected
regime [77.34726150561087]
量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。
量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2021-03-12T20:58:41Z)
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。