論文の概要: Boosting Classification with Quantum-Inspired Augmentations

• arxiv url: http://arxiv.org/abs/2506.22241v1
• Date: Fri, 27 Jun 2025 14:08:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.226717
• Title: Boosting Classification with Quantum-Inspired Augmentations
• Title（参考訳）: 量子インスピレーションによるブースティング分類
• Authors: Matthias Tschöpe, Vitor Fortes Rey, Sogo Pierre Sanon, Paul Lukowicz, Nikolaos Palaiodimopoulos, Maximilian Kiefer-Emmanouilidis,
• Abstract要約: 量子ゲートの摂動は量子デジタルデバイスでは一般的であるが、古典コンピュータでは欠落している。 これらの摂動は、データ拡張の自然な源として機能することで、パフォーマンスを向上させることができる。 本稿では, ランダムブロッホ球の回転を, 単純かつ効果的な量子インスパイアされたデータ増大手法として検討する。
• 参考スコア（独自算出の注目度）: 1.9946021995522714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the impact of small quantum gate perturbations, which are common in quantum digital devices but absent in classical computers, is crucial for identifying potential advantages in quantum machine learning. While these perturbations are typically seen as detrimental to quantum computation, they can actually enhance performance by serving as a natural source of data augmentation. Additionally, they can often be efficiently simulated on classical hardware, enabling quantum-inspired approaches to improve classical machine learning methods. In this paper, we investigate random Bloch sphere rotations, which are fundamental SU(2) transformations, as a simple yet effective quantum-inspired data augmentation technique. Unlike conventional augmentations such as flipping, rotating, or cropping, quantum transformations lack intuitive spatial interpretations, making their application to tasks like image classification less straightforward. While common quantum augmentation methods rely on applying quantum models or trainable quanvolutional layers to classical datasets, we focus on the direct application of small-angle Bloch rotations and their effect on classical data. Using the large-scale ImageNet dataset, we demonstrate that our quantum-inspired augmentation method improves image classification performance, increasing Top-1 accuracy by 3%, Top-5 accuracy by 2.5%, and the F$_1$ score from 8% to 12% compared to standard classical augmentation methods. Finally, we examine the use of stronger unitary augmentations. Although these transformations preserve information in principle, they result in visually unrecognizable images with potential applications for privacy computations. However, we show that our augmentation approach and simple SU(2) transformations do not enhance differential privacy and discuss the implications of this limitation.
• Abstract（参考訳）: 量子デジタルデバイスでは一般的だが、古典的コンピュータでは欠落している小さな量子ゲート摂動の影響を理解することは、量子機械学習の潜在的な利点を特定するために不可欠である。 これらの摂動は典型的には量子計算に有害であると見なされるが、データ増大の自然な源として機能することで実際に性能を向上させることができる。 さらに、それらは古典的なハードウェア上で効率的にシミュレートすることができ、量子インスパイアされたアプローチによって古典的な機械学習手法を改善することができる。 本稿では, 基本SU(2)変換であるランダムブロッホ球回転を, 単純かつ効果的な量子インスパイアされたデータ拡張手法として検討する。 反転、回転、収穫のような従来の拡張とは異なり、量子変換は直感的な空間解釈を欠いているため、画像分類のようなタスクへの適用は簡単ではない。 量子モデルやトレーニング可能な準進化層を古典的データセットに適用することに依存する一般的な量子増進法は、小角ブロッホ回転の直接適用と古典的データへの影響に焦点を当てる。 大規模なImageNetデータセットを用いて、我々の量子インスピレーションにより画像分類性能が向上し、Top-1精度が3%向上し、Top-5精度が2.5%向上し、F$_1$スコアが標準の古典的拡張手法に比べて8%から12%向上することが実証された。 最後に、より強力なユニタリ拡張の使用について検討する。 これらの変換は原則として情報を保存するが、視覚的に認識できない画像と潜在的なプライバシー計算への応用をもたらす。 しかし、我々の拡張アプローチと単純な SU(2) 変換は、差分プライバシーを高めないことを示すとともに、この制限がもたらす影響について議論する。

関連論文リスト

• Experimental neuromorphic computing based on quantum memristor [0.2618499987393917]
  フォトニック量子メムリスタを用いた最初のニューロモルフィックアーキテクチャを報告する。 本稿では, 経験的フィードバックループが非線形性を高め, アルゴリズムの性能を向上することを示す。
  論文  参考訳（メタデータ） (2025-04-25T21:03:19Z)
• 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)
• 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)
• Towards Transfer Learning for Large-Scale Image Classification Using Annealing-based Quantum Boltzmann Machines [7.106829260811707]
  本稿では,Quantum Annealing (QA) を用いた画像分類手法を提案する。 本稿では,アニール型量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として用いることを提案する。 提案手法は,テスト精度とAUC-ROC-Scoreの点で,古典的ベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-11-27T16:07:49Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• 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)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• Quantum Perceptron Revisited: Computational-Statistical Tradeoffs [4.791233143264229]
  量子古典パーセプトロンアルゴリズムは,従来のパーセプトロンよりも複雑度が低く,一般化能力も優れている。 提案アルゴリズムは,従来のオンラインパーセプトロンと比較し,提案アルゴリズムによって返される仮説の予測誤差を導出する。
  論文  参考訳（メタデータ） (2021-06-04T14:05:54Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)

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。