論文の概要: Selective Feature Re-Encoded Quantum Convolutional Neural Network with Joint Optimization for Image Classification

• arxiv url: http://arxiv.org/abs/2507.02086v1
• Date: Wed, 02 Jul 2025 18:51:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.0885
• Title: Selective Feature Re-Encoded Quantum Convolutional Neural Network with Joint Optimization for Image Classification
• Title（参考訳）: 画像分類のための共同最適化による選択的特徴再符号化量子畳み込みニューラルネットワーク
• Authors: Shaswata Mahernob Sarkar, Sheikh Iftekhar Ahmed, Jishnu Mahmud, Shaikh Anowarul Fattah, Gaurav Sharma,
• Abstract要約: 量子畳み込みニューラルネットワーク(QCNN)は、量子データと古典データの両方を分類する有望な結果を実証している。 本研究では,特徴処理の高度化と分類精度向上のためのQCNNアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 3.8876018618878585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Machine Learning (QML) has seen significant advancements, driven by recent improvements in Noisy Intermediate-Scale Quantum (NISQ) devices. Leveraging quantum principles such as entanglement and superposition, quantum convolutional neural networks (QCNNs) have demonstrated promising results in classifying both quantum and classical data. This study examines QCNNs in the context of image classification and proposes a novel strategy to enhance feature processing and a QCNN architecture for improved classification accuracy. First, a selective feature re-encoding strategy is proposed, which directs the quantum circuits to prioritize the most informative features, thereby effectively navigating the crucial regions of the Hilbert space to find the optimal solution space. Secondly, a novel parallel-mode QCNN architecture is designed to simultaneously incorporate features extracted by two classical methods, Principal Component Analysis (PCA) and Autoencoders, within a unified training scheme. The joint optimization involved in the training process allows the QCNN to benefit from complementary feature representations, enabling better mutual readjustment of model parameters. To assess these methodologies, comprehensive experiments have been performed using the widely used MNIST and Fashion MNIST datasets for binary classification tasks. Experimental findings reveal that the selective feature re-encoding method significantly improves the quantum circuit's feature processing capability and performance. Furthermore, the jointly optimized parallel QCNN architecture consistently outperforms the individual QCNN models and the traditional ensemble approach involving independent learning followed by decision fusion, confirming its superior accuracy and generalization capabilities.
• Abstract（参考訳）: 量子機械学習(QML)は、NISQ(Noisy Intermediate-Scale Quantum)デバイスの最近の改良により、大幅な進歩を遂げている。 絡み合いや重畳といった量子原理を活用して、量子畳み込みニューラルネットワーク(QCNN)は、量子データと古典データの両方を分類する有望な結果を示している。 本研究では,画像分類の文脈でQCNNについて検討し,特徴処理の強化と分類精度向上のためのQCNNアーキテクチャを提案する。 まず、最適解空間を見つけるためにヒルベルト空間の重要な領域を効果的にナビゲートし、量子回路に最も重要な特徴を優先させる選択的特徴再符号化戦略を提案する。 第二に、新しい並列モードQCNNアーキテクチャは、2つの古典的手法であるPCA(Principal Component Analysis)とオートエンコーダ(Autoencoder)によって抽出された機能を、統一的なトレーニングスキームに同時に組み込むように設計されている。 トレーニングプロセスに関わる共同最適化により、QCNNは相補的な特徴表現の恩恵を受けることができ、モデルパラメータの相互修正を改善できる。 これらの手法を評価するために、二項分類タスクに広く使われているMNISTとFashion MNISTデータセットを用いて包括的な実験を行った。 実験結果から,選択的特徴復号法は量子回路の特徴処理能力と性能を著しく向上させることがわかった。 さらに、共同最適化された並列QCNNアーキテクチャは、個々のQCNNモデルと独立学習と意思決定融合を含む従来のアンサンブルアプローチを一貫して上回り、その精度と一般化能力を確認する。

関連論文リスト

• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Research of the Variational Shadow Quantum Circuit Based on the Whale Optimization Algorithm in Image Classification [5.476164902473674]
  本稿では,Whale Optimizationアルゴリズムに基づく可変分割型シャドウ量子回路(VSQC)モデルを提案する。 本稿では,MNISTデータセット上でのバイナリ分類処理を実現するために,異なる局所化シャドウサーキットVSQCモデルを用いる。 強い絡み合ったシャドウ回路の設計は、分類精度の点で最良である。
  論文  参考訳（メタデータ） (2025-05-15T06:14:02Z)
• Optimizer-Dependent Generalization Bound for Quantum Neural Networks [5.641998714611475]
  量子ニューラルネットワーク(QNN)は、量子機械学習における複雑なタスクに対処する上で重要な役割を果たす。 学習アルゴリズム安定性のレンズによるQNNの一般化特性について検討する。 我々の研究は量子機械学習にQNNを適用するための実践的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-01-27T17:22:34Z)
• Quantum Pointwise Convolution: A Flexible and Scalable Approach for Neural Network Enhancement [0.0]
  本稿では,量子ニューラルネットワークフレームワークにポイントワイズ畳み込みを組み込んだ新しいアーキテクチャを提案する。 量子回路を用いてデータを高次元空間にマッピングし、より複雑な特徴関係を捉える。 実験では、FashionMNISTとCIFAR10データセットの分類タスクに量子ポイントワイズ畳み込み層を適用した。
  論文  参考訳（メタデータ） (2024-12-02T08:03:59Z)
• Parallel Proportional Fusion of Spiking Quantum Neural Network for Optimizing Image Classification [10.069224006497162]
  量子・スパイキングニューラルネットワーク(PPF-QSNN)の並列比例融合(Parallel Proportional Fusion of Quantum and Spiking Neural Networks)と呼ばれる新しいアーキテクチャを導入する。 提案したPPF-QSNNは、既存のスパイクニューラルネットワークと、精度、損失、ロバストネスといったメトリクスにわたるシリアル量子ニューラルネットワークの両方より優れている。 本研究は、人工知能計算における量子優位性の発展と応用の基盤となるものである。
  論文  参考訳（メタデータ） (2024-04-01T10:35:35Z)
• The role of data embedding in equivariant quantum convolutional neural networks [2.255961793913651]
  等変量子ニューラルネットワーク(EQNN)の性能に及ぼす古典量子埋め込みの影響について検討する。 等価な量子畳み込みニューラルネットワーク(QCNN)から得られた3種類の振幅埋め込みと、EQCNNの分類精度を数値的に比較する。
  論文  参考訳（メタデータ） (2023-12-20T18:25:15Z)
• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,古典的畳み込みニューラルネットワーク(CNN)から量子ニューラルネットワーク(QNN)へ知識を伝達するための新しい枠組みを提案する。 我々は、MNIST, Fashion MNIST, CIFAR10データセット上の4および8キュービットを持つ2つのパラメタライズド量子回路(PQC)を用いて、広範な実験を行う。 我々の結果は、古典的なディープラーニングと新しい量子コンピューティングをブリッジし、量子マシンインテリジェンスにおいてより強力でリソースを意識したモデルを構築するための、有望なパラダイムを確立します。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• 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)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)

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。