論文の概要: Vision-QRWKV: Exploring Quantum-Enhanced RWKV Models for Image Classification
- arxiv url: http://arxiv.org/abs/2506.06633v1
- Date: Sat, 07 Jun 2025 02:53:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.371742
- Title: Vision-QRWKV: Exploring Quantum-Enhanced RWKV Models for Image Classification
- Title（参考訳）: Vision-QRWKV:画像分類のための量子強化RWKVモデルの探索
- Authors: Chi-Sheng Chen,
- Abstract要約: 本稿では、Receptance Weighted Key Value(RWKV)アーキテクチャの量子古典的拡張であるVision-QRWKVを紹介する。
古典的RWKVモデルと量子的RWKVモデルの両方を、14の医用および標準画像分類ベンチマークの多種多様なコレクションで評価する。
以上の結果から,量子化モデルでは,ほとんどのデータセットにおいて従来のモデルよりも優れていたことが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in quantum machine learning have shown promise in enhancing classical neural network architectures, particularly in domains involving complex, high-dimensional data. Building upon prior work in temporal sequence modeling, this paper introduces Vision-QRWKV, a hybrid quantum-classical extension of the Receptance Weighted Key Value (RWKV) architecture, applied for the first time to image classification tasks. By integrating a variational quantum circuit (VQC) into the channel mixing component of RWKV, our model aims to improve nonlinear feature transformation and enhance the expressive capacity of visual representations. We evaluate both classical and quantum RWKV models on a diverse collection of 14 medical and standard image classification benchmarks, including MedMNIST datasets, MNIST, and FashionMNIST. Our results demonstrate that the quantum-enhanced model outperforms its classical counterpart on a majority of datasets, particularly those with subtle or noisy class distinctions (e.g., ChestMNIST, RetinaMNIST, BloodMNIST). This study represents the first systematic application of quantum-enhanced RWKV in the visual domain, offering insights into the architectural trade-offs and future potential of quantum models for lightweight and efficient vision tasks.
- Abstract（参考訳）: 量子機械学習の最近の進歩は、古典的ニューラルネットワークアーキテクチャ、特に複雑な高次元データを含む領域の強化を約束している。
本稿では、時間列モデリングにおける先行研究に基づいて、Receptance Weighted Key Value(RWKV)アーキテクチャのハイブリッド量子古典的拡張であるVision-QRWKVを紹介し、画像分類タスクに初めて適用した。
変動量子回路(VQC)をRWKVのチャネル混合成分に統合することにより、非線形特徴変換を改善し、視覚表現の表現能力を高めることを目的とする。
我々は,MedMNISTデータセット,MNIST,FashionMNISTを含む14の医用および標準画像分類ベンチマークを用いて,古典的RWKVモデルと量子的RWKVモデルの両方を評価する。
以上の結果から,量子化モデルでは,多くのデータセット,特に微妙でノイズの多いクラス(例えば,ChestMNIST,RetinaMNIST,BloodMNIST)において,従来のモデルよりも優れていたことが示唆された。
この研究は、視覚領域における量子強化RWKVの最初の体系的応用であり、軽量かつ効率的な視覚タスクのための量子モデルのアーキテクチャ的トレードオフと将来の可能性についての洞察を提供する。
関連論文リスト
- Quantum Generative Models for Image Generation: Insights from MNIST and MedMNIST [0.0]
本稿では,固有量子発生雑音と調整ノイズスケジューリング機構の2つの新しいノイズ戦略を紹介する。
我々は,MNISTデータセットとMedMNISTデータセットのモデル評価を行い,その実現可能性と性能について検討した。
論文 参考訳（メタデータ） (2025-03-30T06:36:22Z) - Hybrid Classical-Quantum architecture for vectorised image classification of hand-written sketches [0.0]
量子機械学習は、別の方法でデータを学ぶために量子現象をどのように活用するかを研究する。
近年の進歩は、ハイブリッド古典量子モデルは、アーキテクチャの複雑さが低い場合に競争性能を達成できることを示唆している。
本稿では,QMLモデルのテストベッドとして,スケッチ描画のベクトルベース表現を提案する。
論文 参考訳（メタデータ） (2024-07-08T21:51:20Z) - Building Continuous Quantum-Classical Bayesian Neural Networks for a Classical Clinical Dataset [0.0]
本稿では,医学データセットの不確実性を考慮した分類を行う量子古典ベイズニューラルネットワーク(QCBNN)を提案する。
予測性能とモデルの不確実性の両方を捉える複数の行動メトリクスを追跡します。
より不確実な方法でサンプルを分類できるハイブリッドモデルを作ることは、私たちの野望です。
論文 参考訳（メタデータ） (2024-06-10T14:23:25Z) - Quantum Vision Transformers for Quark-Gluon Classification [3.350407101925898]
本稿では,変分量子回路を統合したハイブリッド型量子古典視覚変換器アーキテクチャを提案する。
CMS Open Dataのマルチ検出器ジェット画像にモデルを適用し,本手法の評価を行った。
論文 参考訳（メタデータ） (2024-05-16T17:45:54Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - 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) - 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) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - Hybrid Quantum-Classical Generative Adversarial Network for High
Resolution Image Generation [14.098992977726942]
量子機械学習(QML)は、古典的な機械学習手法を様々な問題で上回る可能性を秘め、注目を集めている。
QML手法のサブクラスは量子生成逆数ネットワーク(QGAN)であり、古典的なGANの量子対数として研究されている。
ここでは、古典的および量子的手法を統合し、新しいハイブリッド量子古典的GANフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-22T11:18:35Z) - On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing
Imagery Classification [88.31717434938338]
ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。
この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。
マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
論文 参考訳（メタデータ） (2021-09-20T12:41:50Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳（メタデータ） (2021-04-30T21:34:11Z)
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。