論文の概要: HQFNN: A Compact Quantum-Fuzzy Neural Network for Accurate Image Classification
- arxiv url: http://arxiv.org/abs/2506.11146v1
- Date: Wed, 11 Jun 2025 09:12:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.51089
- Title: HQFNN: A Compact Quantum-Fuzzy Neural Network for Accurate Image Classification
- Title（参考訳）: HQFNN: 正確な画像分類のための小型量子ファジィニューラルネットワーク
- Authors: Jianhong Yao, Yangming Guo,
- Abstract要約: 高量子化ファジィニューラルネットワーク(HQFNN)は、量子信号を軽量CNN特徴抽出器に結合する。
HQFNNは、古典的でファジィで量子のみのベースラインを一貫して超越している。
ゲートカウント解析は、回路深さが入力次元と直交的に増加することを示している。
- 参考スコア（独自算出の注目度）: 0.3595507621009123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning vision systems excel at pattern recognition yet falter when inputs are noisy or the model must explain its own confidence. Fuzzy inference, with its graded memberships and rule transparency, offers a remedy, while parameterized quantum circuits can embed features in richly entangled Hilbert spaces with striking parameter efficiency. Bridging these ideas, this study introduces a innovative Highly Quantized Fuzzy Neural Network (HQFNN) that realises the entire fuzzy pipeline inside a shallow quantum circuit and couples the resulting quantum signal to a lightweight CNN feature extractor. Each image feature is first mapped to a single qubit membership state through repeated angle reuploading. Then a compact rule layer refines these amplitudes, and a clustered CNOT defuzzifier collapses them into one crisp value that is fused with classical features before classification. Evaluated on standard image benchmarks, HQFNN consistently surpasses classical, fuzzy enhanced and quantum only baselines while using several orders of magnitude fewer trainable weights, and its accuracy degrades only marginally under simulated depolarizing and amplitude damping noise, evidence of intrinsic robustness. Gate count analysis further shows that circuit depth grows sublinearly with input dimension, confirming the model's practicality for larger images. These results position the model as a compact, interpretable and noise tolerant alternative to conventional vision backbones and provide a template for future quantum native fuzzy learning frameworks.
- Abstract（参考訳）: ディープラーニングの視覚システムは、入力がノイズが多い場合や、モデルが自身の自信を説明する必要がある場合、パターン認識に優れています。
ファジィ推論は、その格付けされたメンバーシップと規則の透過性によって改善され、パラメータ化された量子回路は、顕著なパラメータ効率でリッチに絡み合ったヒルベルト空間に特徴を埋め込むことができる。
これらのアイデアを補足して、浅い量子回路内のファジィパイプライン全体を実現し、得られた量子信号を軽量なCNN特徴抽出器に結合する、革新的な高量子化ファジィニューラルネットワーク(HQFNN)を導入する。
各画像特徴は、繰り返しのアングル再アップロードにより、まず1つのキュービットのメンバシップ状態にマッピングされる。
その後、コンパクトな規則層がこれらの振幅を洗練させ、クラスタ化されたCNOT解凍器はそれらを古典的特徴と融合した1つのクリップ値に分解する。
HQFNNは標準画像ベンチマークで評価され、古典的でファジィで量子のみのベースラインを一貫して上回りながら、トレーニング可能な重量を桁違いに減らし、その精度は、シミュレートされた非偏極化と振幅減衰ノイズ、本質的な頑健さの証拠によってわずかに低下する。
ゲートカウント解析により、回路深度は入力次元と直交的に成長し、より大きな画像に対するモデルの実用性を確認する。
これらの結果は、従来のビジョンバックボーンに代わるコンパクトで解釈可能で耐雑音性のあるモデルとして位置づけられ、将来の量子ネイティブファジィ学習フレームワークのためのテンプレートを提供する。
関連論文リスト
- Unitary Scrambling and Collapse: A Quantum Diffusion Framework for Generative Modeling [5.258882634977828]
画像生成のための最初の完全量子拡散に基づくフレームワークであるQSC-Diffusionを提案する。
逆ノイズ発生のためのパラメータ化量子回路を用いる。
注目すべきは、QSC-Diffusionは複数のデータセット間で競合するFIDスコアを達成することだ。
論文 参考訳（メタデータ） (2025-06-12T11:00:21Z) - QFGN: A Quantum Approach to High-Fidelity Implicit Neural Representations [1.874615333573157]
本稿では,QFGN(Quantum Fourier Gaussian Network)を提案する。
その結果、QFGNは最小限のパラメータで現在の最先端(SOTA)モデルより優れていることが示された。
ハードウェア上のノイズにもかかわらず、このモデルはSIRENに匹敵する精度を実現し、この分野における量子機械学習の潜在的な応用を強調している。
論文 参考訳（メタデータ） (2025-04-26T23:40:33Z) - Quantum Latent Diffusion Models [65.16624577812436]
本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。
これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。
この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
論文 参考訳（メタデータ） (2025-01-19T21:24:02Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - 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) - Frequency Disentangled Features in Neural Image Compression [13.016298207860974]
ニューラル画像圧縮ネットワークは、エントロピーモデルが潜在コードの真の分布とどの程度うまく一致しているかによって制御される。
本稿では,緩和されたスカラー量子化が低ビットレートを実現するのに役立つ特徴レベルの周波数歪みを提案する。
提案するネットワークは,手作業によるコーデックだけでなく,空間的自己回帰エントロピーモデル上に構築されたニューラルネットワークベースのコーデックよりも優れている。
論文 参考訳（メタデータ） (2023-08-04T14:55:44Z) - 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) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Image Classification by Throwing Quantum Kitchen Sinks at Tensor
Networks [0.0]
量子機械学習のための新しい回路アンサッツを提案する。
画像分類における新しいアンザッツの性能を実証的に評価するための数値実験を行った。
機能最適化の追加により、パフォーマンスが大幅に向上し、画像分類のための最先端の量子回路が実現された。
論文 参考訳（メタデータ） (2022-08-29T21:38:22Z) - Adaptive Fourier Neural Operators: Efficient Token Mixers for
Transformers [55.90468016961356]
本稿では,Fourierドメインのミキシングを学習する効率的なトークンミキサーを提案する。
AFNOは、演算子学習の原則的基礎に基づいている。
65kのシーケンスサイズを処理でき、他の効率的な自己認識機構より優れている。
論文 参考訳（メタデータ） (2021-11-24T05:44:31Z) - Quantum Self-Supervised Learning [22.953284192004034]
対照的自己監督学習のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
論文 参考訳（メタデータ） (2021-03-26T18:00:00Z)
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。