論文の概要: Solving MNIST with a globally trained Mixture of Quantum Experts

• arxiv url: http://arxiv.org/abs/2505.14789v1
• Date: Tue, 20 May 2025 18:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.689004
• Title: Solving MNIST with a globally trained Mixture of Quantum Experts
• Title（参考訳）: 世界規模で訓練された量子エキスパートの混合によるMNISTの解法
• Authors: Paolo Alessandro Xavier Tognini, Leonardo Banchi, Giacomo De Palma,
• Abstract要約: 画像分類のための新しい量子ニューラルネットワークを提案する。 MNISTデータセットのパリティを、最大97.5%の精度で完全な解像度で分類することができる。 この結果から,最小限の量子資源で高精度な画像分類を実現するための量子ニューラルネットワークの可能性を示した。
• 参考スコア（独自算出の注目度）: 3.7498611358320733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new quantum neural network for image classification, which is able to classify the parity of the MNIST dataset with full resolution with a test accuracy of up to 97.5% without any classical pre-processing or post-processing. Our architecture is based on a mixture of experts whose model function is the sum of the model functions of each expert. We encode the input with amplitude encoding, which allows us to encode full-resolution MNIST images with 10 qubits and to implement a convolution on the whole image with just a single one-qubit gate. Our training algorithm is based on training all the experts together, which significantly improves trainability with respect to training each expert independently. In fact, in the limit of infinitely many experts, our training algorithm can perfectly fit the training data. Our results demonstrate the potential of our quantum neural network to achieve high-accuracy image classification with minimal quantum resources, paving the way for more scalable and efficient quantum machine learning models.
• Abstract（参考訳）: 我々は、MNISTデータセットのパリティを、古典的な前処理や後処理なしで、最大97.5%の精度で完全な解像度で分類できる、画像分類のための新しい量子ニューラルネットワークを提案する。 私たちのアーキテクチャは、モデル関数が各専門家のモデル関数の和である専門家の混合に基づいている。 入力を振幅符号化でエンコードし、10キュービットのフル解像度MNIST画像をエンコードし、単一の1キュービットゲートで画像全体に畳み込みを実装する。 トレーニングアルゴリズムは、すべての専門家を一緒にトレーニングすることに基づいており、各専門家を個別にトレーニングすることに関して、トレーニング可能性を大幅に改善する。 実際、無限に多くの専門家の限界の中で、トレーニングアルゴリズムはトレーニングデータに完全に適合する。 我々の量子ニューラルネットワークが、最小限の量子リソースで高精度な画像分類を実現する可能性を示し、よりスケーラブルで効率的な量子機械学習モデルへの道を開いた。

関連論文リスト

• HQViT: Hybrid Quantum Vision Transformer for Image Classification [48.72766405978677]
  本稿では,モデル性能を向上しつつ,モデルトレーニングを高速化するHybrid Quantum Vision Transformer(HQViT)を提案する。 HQViTは振幅エンコーディングによる全画像処理を導入し、位置エンコーディングを追加せずにグローバルな画像情報をよりよく保存する。 様々なコンピュータビジョンデータセットの実験により、HQViTは既存のモデルよりも優れており、最大10.9%(MNIST 10-classification task)の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-03T16:13:34Z)
• A Distributed Hybrid Quantum Convolutional Neural Network for Medical Image Classification [1.458255172453241]
  本稿では,量子回路分割に基づく分散ハイブリッド量子畳み込みニューラルネットワークを提案する。 量子回路分割に基づく分散技術を統合することにより、8量子ビットQCNNは5量子ビットのみを用いて再構成できる。 本モデルは,2次・複数分類タスクの3つのデータセットにまたがる高い性能を実現する。
  論文  参考訳（メタデータ） (2025-01-07T11:58:40Z)
• Personalized Quantum Federated Learning for Privacy Image Classification [52.04404538764307]
  画像の不均衡な分布の場合のクライアントモデルの性格を高めるために、パーソナライズされた量子フェデレーション学習アルゴリズムを提案する。 実験結果から,パーソナライズされた量子フェデレーション学習アルゴリズムは,高性能なグローバルモデルとローカルモデルを得ることができることが示された。
  論文  参考訳（メタデータ） (2024-10-03T14:53:04Z)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  本研究は、画像分類タスクにおける量子コンピューティングと古典的機械学習の統合について検討する。 両パラダイムの強みを生かしたハイブリッド量子古典的アプローチを提案する。 実験結果から、ハイブリッドモデルが量子コンピューティングと古典的手法を統合する可能性を示す一方で、量子結果に基づいて訓練された最終モデルの精度は、圧縮された特徴に基づいて訓練された古典的モデルよりも低いことが示唆された。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,古典的畳み込みニューラルネットワーク(CNN)から量子ニューラルネットワーク(QNN)へ知識を伝達するための新しい枠組みを提案する。 我々は、MNIST, Fashion MNIST, CIFAR10データセット上の4および8キュービットを持つ2つのパラメタライズド量子回路(PQC)を用いて、広範な実験を行う。 我々の結果は、古典的なディープラーニングと新しい量子コンピューティングをブリッジし、量子マシンインテリジェンスにおいてより強力でリソースを意識したモデルを構築するための、有望なパラダイムを確立します。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• Dataset Quantization [72.61936019738076]
  大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
  論文  参考訳（メタデータ） (2023-08-21T07:24:29Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Vertical Layering of Quantized Neural Networks for Heterogeneous Inference [57.42762335081385]
  量子化モデル全体を1つのモデルにカプセル化するための,ニューラルネットワーク重みの新しい垂直層表現について検討する。 理論的には、1つのモデルのトレーニングとメンテナンスのみを必要としながら、オンデマンドサービスの正確なネットワークを達成できます。
  論文  参考訳（メタデータ） (2022-12-10T15:57:38Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)

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。