論文の概要: Investigating Quantum Feature Maps in Quantum Support Vector Machines for Lung Cancer Classification

• arxiv url: http://arxiv.org/abs/2506.03272v1
• Date: Tue, 03 Jun 2025 18:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:13.993233
• Title: Investigating Quantum Feature Maps in Quantum Support Vector Machines for Lung Cancer Classification
• Title（参考訳）: 肺がん分類のための量子支援ベクトルマシンにおける量子特徴マップの検討
• Authors: My Youssef El Hafidi, Achraf Toufah, Mohamed Achraf Kadim,
• Abstract要約: 量子支援ベクトルマシン(QSVM)は、重ね合わせや絡み合いのような量子力学的現象を利用して、データ分類のための高次元ヒルベルト空間を構築する。 我々は、異なる量子特徴写像が分類性能にどのように影響するかを分析する。 PauliFeatureMapは3つのサブセットで完全な分類を達成し、全体的なパフォーマンスも向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, quantum machine learning has emerged as a promising intersection between quantum physics and artificial intelligence, particularly in domains requiring advanced pattern recognition such as healthcare. This study investigates the effectiveness of Quantum Support Vector Machines (QSVM), which leverage quantum mechanical phenomena like superposition and entanglement to construct high-dimensional Hilbert spaces for data classification. Focusing on lung cancer diagnosis, a concrete and critical healthcare application, we analyze how different quantum feature maps influence classification performance. Using a real-world dataset of 309 patient records with significant class imbalance (39 non-cancer vs. 270 cancer cases), we constructed six balanced subsets for robust evaluation. QSVM models were implemented using Qiskit and executed on the qasm simulator, employing three distinct quantum feature maps: ZFeatureMap, ZZFeatureMap, and PauliFeatureMap. Performance was assessed using accuracy, precision, recall, specificity, and F1-score. Results show that the PauliFeatureMap consistently outperformed the others, achieving perfect classification in three subsets and strong performance overall. These findings demonstrate how quantum computational principles can be harnessed to enhance diagnostic capabilities, reinforcing the importance of physics-based modeling in emerging AI applications within healthcare.
• Abstract（参考訳）: 近年、量子機械学習は量子物理学と人工知能の間の有望な交差点として現れており、特に医療などの高度なパターン認識を必要とする領域ではそうである。 本研究では,重ね合わせや絡み合いなどの量子力学的現象を利用して高次元ヒルベルト空間をデータ分類に利用した量子支援ベクトルマシン(QSVM)の有効性について検討した。 具体的な医療アプリケーションである肺癌の診断に焦点をあてて、異なる量子特徴マップが分類性能にどのように影響するかを分析する。 その結果,39例の非がん患者と270例のがん患者を対象とし,309例のリアルタイムデータセットを作成し,ロバストな評価を行うことができた。 QSVMモデルはQiskitを使用して実装され、qasmシミュレータ上で実行され、ZFeatureMap、ZZFeatureMap、PauliFeatureMapの3つの異なる量子特徴マップを使用していた。 性能は精度、精度、リコール、特異性、F1スコアを用いて評価した。 PauliFeatureMapは3つのサブセットで完全な分類を達成し、全体的なパフォーマンスも向上した。 これらの知見は、量子計算の原理が診断能力を高めるためにどのように活用できるかを示し、医療における新たなAIアプリケーションにおける物理ベースのモデリングの重要性を強化している。

関連論文リスト

• Predicting Post-Surgical Complications with Quantum Neural Networks: A Clinical Study on Anastomotic Leak [0.16777183511743468]
  医学診断における量子機械学習の適用について検討する。 本研究は, 術後合併症の重篤な解離性漏出の予測に焦点をあてる。
  論文  参考訳（メタデータ） (2025-06-02T14:13:10Z)
• Quantum Machine Learning in Healthcare: Evaluating QNN and QSVM Models [0.25602836891933073]
  本研究では、量子ニューラルネットワーク(QNN)と量子サポートベクトルマシン(QSVM)に焦点を当てる。 以上の結果から,QSVMは全データセットでQNNよりも優れており,過度に適合する可能性が示唆された。 これらの発見は予備的ではあるが、医療分類タスクにおける量子モデルの可能性を強調している。
  論文  参考訳（メタデータ） (2025-05-27T07:09:09Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクの文脈における量子カーネル法に焦点を当てる。 量子カーネル推定(QKE)と量子カーネル訓練(QKT)の性能を2つの量子特徴写像と関連づけて検討する。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• Evaluating the Impact of Different Quantum Kernels on the Classification Performance of Support Vector Machine Algorithm: A Medical Dataset Application [0.0]
  本研究では,QSVM-カーネルアルゴリズムを用いて,特徴マッピング手法が医療データ分類結果に与える影響について検討する。 その結果,最高の分類性能は,分類性能と総実行時間の両方で達成されたことがわかった。 本研究の貢献は, 特徴マッピング技術が医療データ分類結果に与える影響を明らかにすることである。
  論文  参考訳（メタデータ） (2024-07-13T15:53:37Z)
• 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)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Quantum circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)

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。