論文の概要: Assessing Projected Quantum Kernels for the Classification of IoT Data

• arxiv url: http://arxiv.org/abs/2505.14593v1
• Date: Tue, 20 May 2025 16:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.587902
• Title: Assessing Projected Quantum Kernels for the Classification of IoT Data
• Title（参考訳）: IoTデータの分類のための予測量子カーネルの評価
• Authors: Francesco D'Amore, Luca Mariani, Carlo Mastroianni, Francesco Plastina, Luca Salatino, Jacopo Settino, Andrea Vinci,
• Abstract要約: 量子機械学習(QML)アルゴリズムの開発における大きな課題は、量子アルゴリズム用に特別に設計されたデータセットの欠如である。 本研究では,IoT(Internet-of-Things)デバイスによって生成されたデータセットを,提案した量子アルゴリズムと直接互換性のあるフォーマットで利用する。 量子に着想を得た機械学習アルゴリズムの中で、PQK(Projected Quantum Kernel)は、ヒルベルト空間に符号化されたデータを古典的な空間に投影するエレガントなソリューションである。
• 参考スコア（独自算出の注目度）: 1.4637460398319744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of quantum computing for machine learning is among the most exciting applications of quantum technologies. Researchers are developing quantum models inspired by classical ones to find some possible quantum advantages over classical approaches. A major challenge in the development and testing of Quantum Machine Learning (QML) algorithms is the lack of datasets specifically designed for quantum algorithms. Existing datasets, often borrowed from classical machine learning, need modifications to be compatible with current noisy quantum hardware. In this work, we utilize a dataset generated by Internet-of-Things (IoT) devices in a format directly compatible with the proposed quantum algorithms, eliminating the need for feature reduction. Among quantum-inspired machine learning algorithms, the Projected Quantum Kernel (PQK) stands out for its elegant solution of projecting the data encoded in the Hilbert space into a classical space. We detail how a PQK approach can be employed to construct a prediction model on IoT data. We compare PQK with common Quantum Kernel methods and their classical counterparts, while also investigating the impact of various feature maps in encoding classical IoT data into quantum computers.
• Abstract（参考訳）: 機械学習における量子コンピューティングの利用は、量子技術の最もエキサイティングな応用の1つである。 研究者たちは、古典的なアプローチよりも量子的優位性を見出すために、古典的なアプローチにインスパイアされた量子モデルを開発している。 量子機械学習(QML)アルゴリズムの開発とテストにおける大きな課題は、量子アルゴリズム用に特別に設計されたデータセットの欠如である。 既存のデータセットは、しばしば古典的な機械学習から借用され、現在のノイズの多い量子ハードウェアと互換性を持つように修正する必要がある。 本研究では,IoT(Internet-of-Things)デバイスが生成するデータセットを,提案した量子アルゴリズムと直接互換性のあるフォーマットで利用する。 量子に着想を得た機械学習アルゴリズムの中で、PQK(Projected Quantum Kernel)は、ヒルベルト空間に符号化されたデータを古典的な空間に投影するエレガントなソリューションである。 我々は、IoTデータ上の予測モデルを構築するために、PQKアプローチをどのように利用できるかを詳述する。 我々は、PQKと一般的なQuantum Kernel法とその古典的手法を比較し、古典的なIoTデータを量子コンピュータにエンコードする際の様々な特徴マップの影響を調査した。

関連論文リスト

• LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [7.945302052915863]
  量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。 本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
  論文  参考訳（メタデータ） (2024-09-22T23:18:06Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers [0.9374652839580181]
  最初の考慮事項の1つは、量子機械学習モデル自体の設計である。 最近の研究は、スピードアップによる量子アドバンテージが量子機械学習の正しい目標かどうかを疑問視し始めた。 本稿では,古典的なディープラーニングアルゴリズムの設計を量子ニューラルネットワークの設計に取り入れることで,代替手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T06:31:22Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• 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)

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。