論文の概要: Quantum Spectral Clustering: Comparing Parameterized and Neuromorphic Quantum Kernels

• arxiv url: http://arxiv.org/abs/2507.07018v1
• Date: Wed, 09 Jul 2025 16:46:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.684566
• Title: Quantum Spectral Clustering: Comparing Parameterized and Neuromorphic Quantum Kernels
• Title（参考訳）: 量子スペクトルクラスタリング:パラメータ化とニューロモルフィック量子カーネルの比較
• Authors: Donovan Slabbert, Dean Brand, Francesco Petruccione,
• Abstract要約: パラメタライズド量子カーネル (pQK) と量子リーク型統合ファイア (QLIF) ニューロモルフィック・コンピューティング・アプローチを比較した。 合成データセットとtexttIrisでは、QLIFカーネルは通常、pQKよりも優れた分類とクラスタリング性能を達成する。
• 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: We compare a parameterized quantum kernel (pQK) with a quantum leaky integrate-and-fire (QLIF) neuromorphic computing approach that employs either the Victor-Purpura or van Rossum kernel in a spectral clustering task, as well as the classical radial basis function (RBF) kernel. Performance evaluation includes label-based classification and clustering metrics, as well as optimal number of clusters predictions for each dataset based on an elbow-like curve as is typically used in $K$-means clustering. The pQK encodes feature vectors through angle encoding with rotation angles scaled parametrically. Parameters are optimized through grid search to maximize kernel-target alignment, producing a kernel that reflects distances in the feature space. The quantum neuromorphic approach uses population coding to transform data into spike trains, which are then processed using temporal distance metrics. Kernel matrices are used as input into a classical spectral clustering pipeline prior to performance evaluation. For the synthetic datasets and \texttt{Iris}, the QLIF kernel typically achieves better classification and clustering performance than pQK. However, on higher-dimensional datasets, such as a preprocessed version of the Sloan Digital Sky Survey (\texttt{SDSS}), pQK performed better, indicating a possible advantage in higher-dimensional regimes.
• Abstract（参考訳）: 我々は、パラメータ化量子カーネル(pQK)と、古典的ラジアル基底関数(RBF)カーネルと同様に、スペクトルクラスタリングタスクにおいてVictor-Purpura または van Rossum のカーネルを用いる量子リーク積分およびファイア(QLIF)ニューロモルフィックコンピューティングアプローチを比較する。 パフォーマンス評価には、ラベルベースの分類とクラスタリングメトリクスに加えて、通常$K$-meansクラスタリングで使用される肘状の曲線に基づいたデータセット毎のクラスタ予測の最適な数も含まれている。 pQKは回転角をパラメトリックスケールした角度符号化により特徴ベクトルを符号化する。 パラメータはグリッド探索によって最適化され、カーネルとターゲットのアライメントを最大化し、特徴空間内の距離を反映するカーネルを生成する。 量子ニューロモルフィックのアプローチでは、集団符号化を使用してデータをスパイクトレインに変換し、時間的距離のメトリクスを使用して処理する。 カーネル行列は、性能評価の前に古典的なスペクトルクラスタリングパイプラインへの入力として使用される。 合成データセットと \texttt{Iris} の場合、QLIFカーネルは通常、pQKよりも優れた分類とクラスタリング性能を達成する。 しかし、Sloan Digital Sky Survey (\texttt{SDSS})の事前処理版のような高次元のデータセットでは、pQKはより優れた性能を示し、高次元のレシエーションにおいて有利である可能性が示唆された。

関連論文リスト

• Self-Tuning Spectral Clustering for Speaker Diarization [19.487611671681968]
  p-隣り合う親和性行列(SC-pNA)にスペクトルクラスタリングと呼ばれるスパース親和性行列を生成する新しいプルーニングアルゴリズムを提案する。 提案手法は,外部チューニングデータの必要性を排除し,ノード固有の固定近傍選択を改善する。 挑戦的なDIHARD-IIIデータセットの実験結果は、SC-pNAの優位性を強調している。
  論文  参考訳（メタデータ） (2024-09-16T05:07:47Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [69.15976031704687]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
  マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。 本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。 実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-05T05:00:38Z)
• DRBM-ClustNet: A Deep Restricted Boltzmann-Kohonen Architecture for Data Clustering [0.0]
  DRBM-ClustNetと呼ばれるデータクラスタリングのためのベイジアンDeep Restricted Boltzmann-Kohonenアーキテクチャを提案する。 ラベルなしデータの処理は、非線形分離可能なデータセットの効率的なクラスタリングのために、3段階に分けて行われる。 このフレームワークはクラスタリングの精度に基づいて評価され、他の最先端クラスタリング手法と比較してランク付けされる。
  論文  参考訳（メタデータ） (2022-05-13T15:12:18Z)
• Kernel Identification Through Transformers [54.3795894579111]
  カーネル選択はガウス過程(GP)モデルの性能決定において中心的な役割を果たす。 この研究は、高次元GP回帰モデルのためのカスタムカーネル関数を構築するという課題に対処する。 KITT: Kernel Identification through Transformersを提案する。
  論文  参考訳（メタデータ） (2021-06-15T14:32:38Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• Average Sensitivity of Spectral Clustering [31.283432482502278]
  入力グラフにおけるエッジ摂動に対するスペクトルクラスタリングの安定性について検討する。 その結果,入力グラフにクラスタ構造が存在する場合,スペクトルクラスタリングはエッジ摂動に対して安定であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-07T09:14:44Z)
• Fast Kernel k-means Clustering Using Incomplete Cholesky Factorization [11.631064399465089]
  カーネルベースのクラスタリングアルゴリズムは、データセット内の非線形構造を特定し、キャプチャすることができる。 線形クラスタリングよりも優れたパフォーマンスを実現することができる。 カーネルマトリックス全体の計算と保存は非常に大きなメモリを占有しているため、カーネルベースのクラスタリングが大規模なデータセットを扱うことは困難である。
  論文  参考訳（メタデータ） (2020-02-07T15:32:14Z)

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。