論文の概要: QuXAI: Explainers for Hybrid Quantum Machine Learning Models

• arxiv url: http://arxiv.org/abs/2505.10167v2
• Date: Fri, 16 May 2025 14:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 12:32:17.921231
• Title: QuXAI: Explainers for Hybrid Quantum Machine Learning Models
• Title（参考訳）: QuXAI: ハイブリッド量子機械学習モデルの説明者
• Authors: Saikat Barua, Mostafizur Rahman, Shehenaz Khaled, Md Jafor Sadek, Rafiul Islam, Shahnewaz Siddique,
• Abstract要約: この研究は、ハイブリッド機械学習システムにおける機能の重要性を説明するための説明器QuXAIを紹介する。 我々のモデルは、量子特徴写像を取り入れたHQMLモデルの作成、Q-MEDLEYの使用、特徴ベースの推論の組み合わせ、量子変換ステージの保存、および結果の属性の可視化を含む。 以上の結果から,Q-MEDLEYはHQMLモデルにおいて重要な古典的側面を表現し,ノイズを分離し,既存のXAI技術とよく競合することを示す。
• 参考スコア（独自算出の注目度）: 1.0225653612678713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emergence of hybrid quantum-classical machine learning (HQML) models opens new horizons of computational intelligence but their fundamental complexity frequently leads to black box behavior that undermines transparency and reliability in their application. Although XAI for quantum systems still in its infancy, a major research gap is evident in robust global and local explainability approaches that are designed for HQML architectures that employ quantized feature encoding followed by classical learning. The gap is the focus of this work, which introduces QuXAI, an framework based upon Q-MEDLEY, an explainer for explaining feature importance in these hybrid systems. Our model entails the creation of HQML models incorporating quantum feature maps, the use of Q-MEDLEY, which combines feature based inferences, preserving the quantum transformation stage and visualizing the resulting attributions. Our result shows that Q-MEDLEY delineates influential classical aspects in HQML models, as well as separates their noise, and competes well against established XAI techniques in classical validation settings. Ablation studies more significantly expose the virtues of the composite structure used in Q-MEDLEY. The implications of this work are critically important, as it provides a route to improve the interpretability and reliability of HQML models, thus promoting greater confidence and being able to engage in safer and more responsible use of quantum-enhanced AI technology. Our code and experiments are open-sourced at: https://github.com/GitsSaikat/QuXAI
• Abstract（参考訳）: ハイブリッド量子古典機械学習(HQML)モデルの出現は、計算知性の新たな地平を開くが、その基本的な複雑さはしばしば、アプリケーションの透明性と信頼性を損なうブラックボックスの振る舞いにつながる。 量子システムのためのXAIはまだ初期段階であるが、量子化された特徴符号化と古典的学習を用いたHQMLアーキテクチャのために設計された、堅牢なグローバルおよびローカルな説明可能性アプローチにおいて、大きな研究ギャップは明らかである。 Q-MEDLEYをベースとしたフレームワークであるQuXAIを導入し、これらのハイブリッドシステムにおける機能の重要性を説明する。 我々のモデルは、量子特徴写像を取り入れたHQMLモデルの作成、Q-MEDLEYの使用、特徴ベースの推論の組み合わせ、量子変換ステージの保存、および結果の属性の可視化を含む。 以上の結果から,Q-MEDLEYはHQMLモデルにおいて重要な古典的側面を表現し,ノイズを分離し,古典的検証設定において確立されたXAI技術とよく競合することを示す。 アブレーション研究はQ-MEDLEYで用いられる複合構造の特質をより顕著に明らかにした。 この研究の意義は、HQMLモデルの解釈可能性と信頼性を改善し、より信頼性を高め、より安全な、より責任のある量子化されたAI技術の使用を可能にする経路を提供するため、極めて重要である。 私たちのコードと実験は、https://github.com/GitsSaikat/QuXAIでオープンソース化されています。

関連論文リスト

• Security Concerns in Quantum Machine Learning as a Service [2.348041867134616]
  量子機械学習(Quantum Machine Learning、QML)は、変分量子回路(VQC)を用いて機械学習タスクに取り組むアルゴリズムのカテゴリである。 近年の研究では、限られたトレーニングデータサンプルからQMLモデルを効果的に一般化できることが示されている。 QMLは、古典的および量子コンピューティングリソースの両方を利用するハイブリッドモデルである。
  論文  参考訳（メタデータ） (2024-08-18T18:21:24Z)
• Quantum Machine Learning Architecture Search via Deep Reinforcement Learning [8.546707309430593]
  教師付き学習タスクに適した有能なQMLモデルアーキテクチャを探索するために、深層強化学習を導入する。 我々の手法は、所定のアンザッツを使わずにQMLモデルの発見を容易にするポリシーを考案するために、RLエージェントを訓練することを含む。 提案手法は,ゲート深さを最小化しながら高い分類精度を達成できるVQCアーキテクチャの同定に成功している。
  論文  参考訳（メタデータ） (2024-07-29T16:20:51Z)
• Feature Importance and Explainability in Quantum Machine Learning [0.0]
  多くの機械学習(ML)モデルはブラックボックスモデルと呼ばれ、なぜ予測されるのかについて本当の洞察を与えていない。 本稿では、古典的MLモデルと比較して量子機械学習(QML)の特徴的重要性と説明可能性について考察する。
  論文  参考訳（メタデータ） (2024-05-14T19:12:32Z)
• 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)
• 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)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Reflection Equivariant Quantum Neural Networks for Enhanced Image Classification [0.7232471205719458]
  我々は、データに固有の対称性を明示的に尊重する新しい機械学習モデル、いわゆる幾何量子機械学習(GQML)を構築した。 これらのネットワークは、複雑な実世界の画像データセットに対する一般的なアンサーゼを一貫して、そして著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-12-01T04:10:26Z)
• 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)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)

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。