論文の概要: Optimal normalization in quantum-classical hybrid models for anti-cancer drug response prediction

• arxiv url: http://arxiv.org/abs/2505.10037v1
• Date: Thu, 15 May 2025 07:33:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.220128
• Title: Optimal normalization in quantum-classical hybrid models for anti-cancer drug response prediction
• Title（参考訳）: 抗がん剤反応予測のための量子古典ハイブリッドモデルの最適正規化
• Authors: Takafumi Ito, Lysenko Artem, Tatsuhiko Tsunoda,
• Abstract要約: 量子古典的ハイブリッド機械学習(QHML)モデルは、その頑健な性能と高い一般化能力で認識される。 本稿では、$tanh$の適度なバージョンに基づいて正規化関数を使用する新しい戦略を提案する。 癌細胞株の遺伝子発現と薬剤応答のデータセットを用いて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum-classical Hybrid Machine Learning (QHML) models are recognized for their robust performance and high generalization ability even for relatively small datasets. These qualities offer unique advantages for anti-cancer drug response prediction, where the number of available samples is typically small. However, such hybrid models appear to be very sensitive to the data encoding used at the interface of a neural network and a quantum circuit, with suboptimal choices leading to stability issues. To address this problem, we propose a novel strategy that uses a normalization function based on a moderated gradient version of the $\tanh$. This method transforms the outputs of the neural networks without concentrating them at the extreme value ranges. Our idea was evaluated on a dataset of gene expression and drug response measurements for various cancer cell lines, where we compared the prediction performance of a classical deep learning model and several QHML models. These results confirmed that QHML performed better than the classical models when data was optimally normalized. This study opens up new possibilities for biomedical data analysis using quantum computers.
• Abstract（参考訳）: 量子古典的ハイブリッド機械学習(QHML)モデルは、比較的小さなデータセットであっても、その堅牢な性能と高い一般化能力で認識されている。 これらの性質は、利用可能なサンプルの数が典型的には少ない抗がん剤の反応予測に独特な利点をもたらす。 しかしながら、そのようなハイブリッドモデルは、ニューラルネットワークと量子回路のインターフェースで使用されるデータ符号化に非常に敏感であるようで、最適以下の選択は安定性の問題につながる。 この問題に対処するために、$\tanh$の適度勾配版に基づく正規化関数を用いる新しい戦略を提案する。 この方法は、ニューラルネットワークの出力を極値範囲に集中させることなく変換する。 そこで,従来のディープラーニングモデルといくつかのQHMLモデルの予測性能を比較した。 これらの結果から、QHMLはデータが最適に正規化されたときの従来のモデルよりも優れた性能を示した。 本研究は, 量子コンピュータを用いたバイオメディカルデータ解析の新たな可能性を明らかにする。

関連論文リスト

• Evaluating Effects of Augmented SELFIES for Molecular Understanding Using QK-LSTM [2.348041867134616]
  副作用を含む分子特性の同定は、薬物開発において決定的だが時間を要するステップである。 Simplified Molecular Line-Entry System (SMILES) の強化による古典的領域における最近の進歩 本研究は, 分子特性予測と副作用同定の促進に向けた新たな知見を提示する。
  論文  参考訳（メタデータ） (2025-04-29T14:03:31Z)
• CQ CNN: A Hybrid Classical Quantum Convolutional Neural Network for Alzheimer's Disease Detection Using Diffusion Generated and U Net Segmented 3D MRI [0.0]
  臨床MRIデータからアルツハイマー病(AD)を検出することは、医用画像研究の活発な領域である。 量子コンピューティングの最近の進歩は、従来の手法よりも優れたモデルを開発する新しい機会を提供する。 臨床用3次元MRIデータを用いたAD検出のためのエンドツーエンドの古典的量子畳み込みニューラルネットワーク(CQ CNN)を提案する。
  論文  参考訳（メタデータ） (2025-03-04T07:08:47Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Adversarial attacks on hybrid classical-quantum Deep Learning models for Histopathological Cancer Detection [0.0]
  この研究は、ハイブリッド古典量子ディープラーニングモデルの2つの主要な応用を強調している。 我々は、ペニレーンのデフォルト量子シミュレータを用いた古典モデルとハイブリッド古典量子モデルのパフォーマンスの精度を比較した。
  論文  参考訳（メタデータ） (2023-09-08T06:37:54Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Hybrid Quantum-Classical Graph Convolutional Network [7.0132255816377445]
  本研究は、HEPデータを学習するためのハイブリッド量子古典グラフ畳み込みネットワーク(QGCNN)を提供する。 提案フレームワークは,パラメータ数の観点から,古典的多層パーセプトロンと畳み込みニューラルネットワークの優位性を示す。 テスト精度に関して、QGCNNは、同じHEPデータセット上の量子畳み込みニューラルネットワークと同等のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-01-15T16:02:52Z)
• Predicting toxicity by quantum machine learning [11.696069523681178]
  本研究では, 定量的構造活性相関に基づく221種類のフェノールの毒性予測のためのQMLモデルを開発した。 その結果、量子エンタングルメントによって強化されたデータエンコーディングは、従来のエンタングルよりも表現力が高いことが示唆された。
  論文  参考訳（メタデータ） (2020-08-18T02:59:40Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。