論文の概要: Quantum Inspired Encoding Strategies for Machine Learning Models: Proposing and Evaluating Instance Level, Global Discrete, and Class Conditional Representations

• arxiv url: http://arxiv.org/abs/2507.00019v1
• Date: Sun, 15 Jun 2025 13:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.38539
• Title: Quantum Inspired Encoding Strategies for Machine Learning Models: Proposing and Evaluating Instance Level, Global Discrete, and Class Conditional Representations
• Title（参考訳）: 機械学習モデルのための量子インスパイアされたエンコード戦略:インスタンスレベル、グローバル離散、およびクラス条件表現の提案と評価
• Authors: Minati Rath, Hema Date,
• Abstract要約: 我々は、古典的なデータを量子データに変換するための3つの量子インスピレーションデータ符号化戦略を機械学習モデルで評価し、比較する。 主な目的は、正しい符号化値を確保しながら高い符号化時間を短縮し、それらの分類性能に与える影響を分析することである。 これらのエンコーディング戦略を分類タスクに適用し、エンコーディング効率、正確性、モデル精度、計算コストへの影響を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this study, we propose, evaluate and compare three quantum inspired data encoding strategies, Instance Level Strategy (ILS), Global Discrete Strategy (GDS) and Class Conditional Value Strategy (CCVS), for transforming classical data into quantum data for use in pure classical machine learning models. The primary objective is to reduce high encoding time while ensuring correct encoding values and analyzing their impact on classification performance. The Instance Level Strategy treats each row of dataset independently; mimics local quantum states. Global Discrete Value Based encoding strategy maps all unique feature values across the full dataset to quantum states uniformly. In contrast, the Class conditional Value based encoding strategy encodes unique values separately for each class, preserving class dependent information. We apply these encoding strategies to a classification task and assess their impact on en-coding efficiency, correctness, model accuracy, and computational cost. By analyzing the trade offs between encoding time, precision, and predictive performance, this study provides insights into optimizing quantum inspired data transformations for classical machine learning workflows.
• Abstract（参考訳）: 本研究では、古典的データを量子データに変換し、純粋古典的機械学習モデルで使用するための3つの量子インスパイアされたデータ符号化戦略である、インスタンスレベル戦略(ILS)、グローバルディスクリート戦略(GDS)、クラス条件値戦略(CCVS)を提案し、比較する。 主な目的は、正しい符号化値を確保しながら高い符号化時間を短縮し、それらの分類性能に与える影響を分析することである。 インスタンスレベル戦略はデータセットの各行を独立して扱い、ローカルな量子状態を模倣する。 グローバル離散値に基づく符号化戦略は、全データセットにまたがるすべてのユニークな特徴値を量子状態に均一にマッピングする。 対照的に、クラス条件付き値ベースのエンコーディング戦略は、クラス依存情報を保存するために、クラスごとに独自の値をエンコードする。 これらのエンコーディング戦略を分類タスクに適用し、エンコーディング効率、正確性、モデル精度、計算コストへの影響を評価する。 符号化時間、精度、予測性能のトレードオフを分析することにより、古典的な機械学習ワークフローのための量子インスパイアされたデータ変換の最適化に関する洞察を提供する。

関連論文リスト

• 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)
• Continuous-Variable Quantum Encoding Techniques: A Comparative Study of Embedding Techniques and Their Impact on Machine Learning Performance [0.0]
  連続変数量子コンピューティング(CVQC)と古典機械学習の交点について検討する。 CVQCに基づく符号化法は特徴表現性を著しく向上し,分類精度とF1スコアが向上した。 量子表現可能性と古典的学習可能性のトレードオフを考察し、これらの量子符号化を現実のアプリケーションに組み込むことの現実的な実現可能性に関する洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-09T00:00:45Z)
• RSQ: Learning from Important Tokens Leads to Better Quantized LLMs [65.5558181902098]
  レイヤーワイド量子化は、高価なリトレーニングなしで大きなモデルを効率的に圧縮するための重要な技術である。 モデルに回転を適用して外乱を緩和するRSQ(Rotate, Scale, then Quantize)を提案する。 RSQは、複数の下流タスクと3つのモデルファミリーで、ベースラインメソッドを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-03-03T18:46:33Z)
• Empirical Power of Quantum Encoding Methods for Binary Classification [0.2118773996967412]
  我々は、様々な機械学習メトリクスに対する符号化スキームとその効果に焦点を当てる。 具体的には、実世界の複数のデータセットの量子符号化戦略の違いを示すために、実世界のデータ符号化に焦点を当てる。
  論文  参考訳（メタデータ） (2024-08-23T14:34:57Z)
• Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance [0.0]
  古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。 線形分類パターン(LCP)と非線形分類パターン(NLCP)の2つの分類パターンに対するアプローチを実証する。
  論文  参考訳（メタデータ） (2024-05-15T14:28:00Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• An Explainable Probabilistic Classifier for Categorical Data Inspired to Quantum Physics [0.0]
  本稿では,機械学習における波動粒子の双対性の概念を導入し,古典的および量子的確率を統一する一般化フレームワークを提案する。 STCは、他のほとんどの機械学習手法では利用できない幅広い望ましい特性を持っているが、同時に理解や使用が極めて容易であることを示す。
  論文  参考訳（メタデータ） (2021-05-26T15:41:30Z)
• Regularized target encoding outperforms traditional methods in supervised machine learning with high cardinality features [1.1709030738577393]
  分類変数の数値表現を導出する手法を検討する。 異なるエンコーディング戦略と5つの機械学習アルゴリズムを比較した。 ターゲットエンコーディングの正規化バージョンが一貫して最高の結果を提供した。
  論文  参考訳（メタデータ） (2021-04-01T17:21:42Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)

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。