論文の概要: Quantum Annealing for Machine Learning: Applications in Feature Selection, Instance Selection, and Clustering

• arxiv url: http://arxiv.org/abs/2507.15063v1
• Date: Sun, 20 Jul 2025 17:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.17717
• Title: Quantum Annealing for Machine Learning: Applications in Feature Selection, Instance Selection, and Clustering
• Title（参考訳）: 機械学習のための量子アニーリング:特徴選択、インスタンス選択、クラスタリングへの応用
• Authors: Chloe Pomeroy, Aleksandar Pramov, Karishma Thakrar, Lakshmi Yendapalli,
• Abstract要約: 量子解法と古典解法をともに実装し,その有効性を比較する。 特徴選択のために,特徴量と冗長性のバランスをとるいくつかのQUBO構成を提案する。 事例選択では,既存手法を拡張した事例レベルの重要度尺度を提案する。 クラスタリングには古典的クラスタリングとQUBOベースのメドイドリファインメントを併用した古典的量子パイプラインを組み込む。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper explores the applications of quantum annealing (QA) and classical simulated annealing (SA) to a suite of combinatorial optimization problems in machine learning, namely feature selection, instance selection, and clustering. We formulate each task as a Quadratic Unconstrained Binary Optimization (QUBO) problem and implement both quantum and classical solvers to compare their effectiveness. For feature selection, we propose several QUBO configurations that balance feature importance and redundancy, showing that quantum annealing (QA) produces solutions that are computationally more efficient. In instance selection, we propose a few novel heuristics for instance-level importance measures that extend existing methods. For clustering, we embed a classical-to-quantum pipeline, using classical clustering followed by QUBO-based medoid refinement, and demonstrate consistent improvements in cluster compactness and retrieval metrics. Our results suggest that QA can be a competitive and efficient tool for discrete machine learning optimization, even within the constraints of current quantum hardware.
• Abstract（参考訳）: 本稿では,量子アニール(QA)と古典的シミュレートアニール(SA)の機械学習における組合せ最適化問題,すなわち特徴選択,インスタンス選択,クラスタリングへの応用について検討する。 擬似非拘束バイナリ最適化(QUBO)問題として各タスクを定式化し、量子および古典的解法の両方を実装してそれらの効率を比較する。 特徴選択のために,特徴量と冗長性のバランスをとるいくつかのQUBO構成を提案し,量子アニール (QA) がより効率的な解を生成することを示した。 本稿では,既存手法を拡張した事例レベルの重要度尺度について,いくつかの新しいヒューリスティックスを提案する。 クラスタリングには古典的なクラスタリングとQUBOベースのメドイドリファインメントを併用し,クラスタのコンパクト性と検索メトリクスの一貫性を実証する。 我々の結果は、QAは現在の量子ハードウェアの制約内であっても、離散的な機械学習最適化のための競合的で効率的なツールになり得ることを示唆している。

関連論文リスト

• Quantum Phases Classification Using Quantum Machine Learning with SHAP-Driven Feature Selection [0.0]
  ANNNI(Axial Next-Nearest Neighbor Ising)モデル内で量子位相を分類する革新的な手法を提案する。 我々の研究は、量子支援ベクトル(QSVM)と変分量子(VQC)の2つの顕著なQMLアルゴリズムに焦点を当てている。 その結果,QSVMとVQCはいずれも,5ないし6つの重要な特徴に制限された場合の予測精度が極めて高いことがわかった。
  論文  参考訳（メタデータ） (2025-04-14T19:51:26Z)
• Hierarchical Quantum Optimization via Backbone-Driven Problem Decomposition: Integrating Tabu-Search with QAOA [6.1238490000465635]
  我々は、ノイズ中間スケール量子(NISQ)デバイスの限界を克服するためにBackbone-DrivenOAを提案する。 提案手法では, 適応型タブサーチによりバックボーン変数を動的に同定し, 固定し, 縮小次元部分空間を構築する。 提案手法は,量子資源と古典資源の割り当てを効果的に調整し,大規模最適化問題の解決を可能にする。
  論文  参考訳（メタデータ） (2025-04-13T13:50:38Z)
• 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)
• A clustering aggregation algorithm on neutral-atoms and annealing quantum processors [0.44531072184246007]
  本研究では、クラスタリングアグリゲーションを実行するためのハイブリッド量子古典アルゴリズムを提案する。 中立原子の量子コンピュータと量子アニールのために設計された。 発見は、ハイブリッド量子古典パイプラインの将来的な発展の可能性を示唆している。
  論文  参考訳（メタデータ） (2024-12-10T14:48:44Z)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• Variational Quantum Linear Solver enhanced Quantum Support Vector Machine [3.206157921187139]
  本稿では,変分量子線形解法(VQLS)拡張QSVMを提案する。 NISQ デバイス上での最小二乗SVM の線形方程式系を解くために、変分量子線形解法を利用するという考え方に基づいている。 提案手法の実装は,Irisデータセットを用いた広範囲な数値実験により評価される。
  論文  参考訳（メタデータ） (2023-09-14T14:59:58Z)
• Variational Quantum Approximated Spectral Clustering [0.6718184400443239]
  本稿では、量子距離に基づく分類器モデルをクラスタリングフレームワークに拡張する可変量子近似スペクトルクラスタリング(VQASC)を提案する。 提案手法では, 重み付き和を非直交グラフの様々な行列表現上で計算できるように, 深度がデータセットサイズに準4次スケールの効率的な量子回路設計を用いる。
  論文  参考訳（メタデータ） (2023-09-08T17:54:42Z)
• A Review on Quantum Approximate Optimization Algorithm and its Variants [47.89542334125886]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm、QAOA)は、難解な最適化問題を解くことを目的とした、非常に有望な変分量子アルゴリズムである。 この総合的なレビューは、様々なシナリオにおけるパフォーマンス分析を含む、QAOAの現状の概要を提供する。 我々は,提案アルゴリズムの今後の展望と方向性を探りながら,選択したQAOA拡張と変種の比較研究を行う。
  論文  参考訳（メタデータ） (2023-06-15T15:28:12Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)
• Tabu-driven Quantum Neighborhood Samplers [2.9934511331003555]
  組合せ最適化は、量子コンピューティングを対象とする重要なアプリケーションである。 短期的なデバイスで利点を享受する一つの選択肢は、それらを古典と組み合わせて使うことである。 このようなハイブリッド環境において,QAOAはアルゴリズム探索のための柔軟なツールであることを示す。
  論文  参考訳（メタデータ） (2020-11-18T19:30:27Z)

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。