論文の概要: Collaborative Filtering using Variational Quantum Hopfield Associative Memory

• arxiv url: http://arxiv.org/abs/2508.14906v1
• Date: Tue, 12 Aug 2025 07:33:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:45.999171
• Title: Collaborative Filtering using Variational Quantum Hopfield Associative Memory
• Title（参考訳）: 変分量子ホップフィールド連想メモリを用いた協調フィルタリング
• Authors: Amir Kermanshahani, Ebrahim Ardeshir-Larijani, Rakesh Saini, Saif Al-Kuwari,
• Abstract要約: 本稿では,Quantum Hopfield Associative Memory(QHAM)とディープニューラルネットワークを組み合わせてMovieLens 1Mデータセットの抽出と分類を改善するハイブリッドレコメンデーションシステムを提案する。 このシステムは理想的な環境下で35エポック以上のMSE損失を用いて訓練され、LOCは0.9795、精度は0.8841、F-1スコアは0.8786に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum computing, with its ability to do exponentially faster computation compared to classical systems, has found novel applications in various fields such as machine learning and recommendation systems. Quantum Machine Learning (QML), which integrates quantum computing with machine learning techniques, presents powerful new tools for data processing and pattern recognition. This paper proposes a hybrid recommendation system that combines Quantum Hopfield Associative Memory (QHAM) with deep neural networks to improve the extraction and classification on the MovieLens 1M dataset. User archetypes are clustered into multiple unique groups using the K-Means algorithm and converted into polar patterns through the encoder's activation function. These polar patterns are then integrated into the variational QHAM-based hybrid recommendation model. The system was trained using the MSE loss over 35 epochs in an ideal environment, achieving an ROC value of 0.9795, an accuracy of 0.8841, and an F-1 Score of 0.8786. Trained with the same number of epochs in a noisy environment using a custom Qiskit AER noise model incorporating bit-flip and readout errors with the same probabilities as in real quantum hardware, it achieves an ROC of 0.9177, an accuracy of 0.8013, and an F-1 Score equal to 0.7866, demonstrating consistent performance. Additionally, we were able to optimize the qubit overhead present in previous QHAM architectures by efficiently updating only one random targeted qubit. This research presents a novel framework that combines variational quantum computing with deep learning, capable of dealing with real-world datasets with comparable performance compared to purely classical counterparts. Additionally, the model can perform similarly well in noisy configurations, showcasing a steady performance and proposing a promising direction for future usage in recommendation systems.
• Abstract（参考訳）: 量子コンピューティングは、古典的なシステムに比べて指数関数的に高速な計算が可能であり、機械学習やレコメンデーションシステムといった様々な分野で新しい応用が発見されている。 量子コンピューティングと機械学習技術を統合する量子機械学習(QML)は、データ処理とパターン認識のための強力な新しいツールを提供する。 本稿では,Quantum Hopfield Associative Memory(QHAM)とディープニューラルネットワークを組み合わせてMovieLens 1Mデータセットの抽出と分類を改善するハイブリッドレコメンデーションシステムを提案する。 ユーザアーチタイプは、K-Meansアルゴリズムを用いて複数のユニークなグループにクラスタ化され、エンコーダのアクティベーション機能を通じて極パターンに変換される。 これらの極性パターンは、変分QHAMに基づくハイブリッドレコメンデーションモデルに統合される。 このシステムは理想的な環境下で35エポック以上のMSE損失を用いて訓練され、ROC値は0.9795、精度は0.8841、F-1スコアは0.8786となった。 実量子ハードウェアと同様の確率でビットフリップと読み出し誤差を組み込んだカスタムQiskit AERノイズモデルを用いて、ノイズの多い環境で同じエポック数で訓練され、OC0.9177、精度0.8013、F-1スコア0.7866を達成し、一貫した性能を示す。 さらに,従来のQHAMアーキテクチャでは,1つのランダムなターゲット量子ビットのみを効率的に更新することで,キュービットオーバーヘッドを最適化することができた。 本研究では,変分量子コンピューティングとディープラーニングを組み合わせた新しいフレームワークを提案する。 さらに、モデルはノイズの多い構成でも同じようにうまく機能し、安定したパフォーマンスを示し、レコメンデーションシステムで将来的な用途に期待できる方向を提案することができる。

関連論文リスト

• Regression and Classification with Single-Qubit Quantum Neural Networks [0.0]
  我々は、回帰処理と分類処理の両方にリソース効率が高くスケーラブルなSQQNN(Single-Qubit Quantum Neural Network)を使用する。 分類にはTaylor級数にインスパイアされた新しいトレーニング手法を導入する。 SQQNNは、MNISTデータセットを含む回帰および分類タスクにおいて、事実上エラーのない、強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-12-12T17:35:36Z)
• QC-Forest: a Classical-Quantum Algorithm to Provably Speedup Retraining of Random Forest [2.6436521007616114]
  ランダムフォレスト(Random Forest, RF)は、教師あり学習法として人気があり、使いやすさと柔軟性で評価されている。 オンラインRFモデルは、モデルの精度を維持するために、新しいトレーニングデータを考慮する必要がある。 ストリーミング環境でのRFモデルの時間効率向上を目的とした古典量子アルゴリズムQC-Forestを提案する。
  論文  参考訳（メタデータ） (2024-06-17T18:21:03Z)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• A Hybrid Quantum-Classical Algorithm for Robust Fitting [47.42391857319388]
  本稿では,ロバストフィッティングのためのハイブリッド量子古典アルゴリズムを提案する。 私たちのコアコントリビューションは、整数プログラムの列を解く、新しい堅牢な適合式である。 実際の量子コンピュータを用いて得られた結果について述べる。
  論文  参考訳（メタデータ） (2022-01-25T05:59:24Z)
• Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches [0.0]
  バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。 ノイズの多いデータセットは 財務的なデータセットの中にあります 新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
  論文  参考訳（メタデータ） (2021-11-05T10:29:05Z)
• Evaluating the Performance of Some Local Optimizers for Variational Quantum Classifiers [0.0]
  量子変動回路における局所回路の性能と役割について検討した。 その結果、ノイズの多い即時スケール量子マシン上の機械学習は、古典的なマシンと同様の結果を生成できることが示された。
  論文  参考訳（メタデータ） (2021-02-17T16:31:42Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。