論文の概要: Quantum Ensembling Methods for Healthcare and Life Science

• arxiv url: http://arxiv.org/abs/2506.02213v1
• Date: Mon, 02 Jun 2025 19:54:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.369802
• Title: Quantum Ensembling Methods for Healthcare and Life Science
• Title（参考訳）: 医療・生命科学のための量子組立法
• Authors: Kahn Rhrissorrakrai, Kathleen E. Hamilton, Prerana Bangalore Parthsarathy, Aldo Guzman-Saenz, Tyler Alban, Filippo Utro, Laxmi Parida,
• Abstract要約: 我々は、医療や生命科学における小さなデータ問題において、量子アンサンブルモデルがいかに効果的かを研究する。 最大26キュービットのシミュレーションと56キュービットの量子ハードウェアを用いて、バイナリ分類のための複数の種類の量子アンサンブルを構築した。 我々はこれらの量子アンサンブルを腎細胞癌患者からの合成データセットと遺伝子発現データに基づいてテストし、免疫療法に対する患者反応を予測する。
• 参考スコア（独自算出の注目度）: 0.6386874708851962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning on small data is a challenge frequently encountered in many real-world applications. In this work we study how effective quantum ensemble models are when trained on small data problems in healthcare and life sciences. We constructed multiple types of quantum ensembles for binary classification using up to 26 qubits in simulation and 56 qubits on quantum hardware. Our ensemble designs use minimal trainable parameters but require long-range connections between qubits. We tested these quantum ensembles on synthetic datasets and gene expression data from renal cell carcinoma patients with the task of predicting patient response to immunotherapy. From the performance observed in simulation and initial hardware experiments, we demonstrate how quantum embedding structure affects performance and discuss how to extract informative features and build models that can learn and generalize effectively. We present these exploratory results in order to assist other researchers in the design of effective learning on small data using ensembles. Incorporating quantum computing in these data constrained problems offers hope for a wide range of studies in healthcare and life sciences where biological samples are relatively scarce given the feature space to be explored.
• Abstract（参考訳）: 小さなデータについて学ぶことは、多くの現実世界のアプリケーションで頻繁に遭遇する課題である。 本研究では、医療や生命科学における小さなデータ問題に対して、量子アンサンブルモデルがいかに効果的かを研究する。 最大26キュービットのシミュレーションと56キュービットの量子ハードウェアを用いて、バイナリ分類のための複数の種類の量子アンサンブルを構築した。 我々のアンサンブルデザインは最小限のトレーニング可能なパラメータを使用するが、キュービット間の長距離接続が必要である。 我々はこれらの量子アンサンブルを腎細胞癌患者からの合成データセットと遺伝子発現データに基づいてテストし、免疫療法に対する患者反応を予測する。 シミュレーションおよび初期ハードウェア実験で観測された性能から、量子埋め込み構造がパフォーマンスにどのように影響するかを実証し、情報的特徴を抽出し、効果的に学習・一般化できるモデルを構築する方法について論じる。 本研究は,アンサンブルを用いた小規模データを用いた効果的な学習設計を支援するために,これらの探索結果を提示する。 これらのデータに量子コンピューティングを組み込むことで、医療や生命科学における幅広い研究が期待できる。

関連論文リスト

• 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)
• Empirical Quantum Advantage Analysis of Quantum Kernel in Gene Expression Data [0.0]
  量子優位性が達成可能な適切なデータセットを見つけることや、古典的および量子的手法によって選択された特徴の関連性を評価することなど、制約に重点を置いている。 生理的行動と疾患の感受性の制御において遺伝的変異が重要な役割を担った遺伝子発現データセットを実験的に選択した。
  論文  参考訳（メタデータ） (2024-11-11T15:34:53Z)
• 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)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• 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)
• 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)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。