論文の概要: Hybrid Quantum-Classical Learning for Multiclass Image Classification

• arxiv url: http://arxiv.org/abs/2508.18161v1
• Date: Mon, 25 Aug 2025 16:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.853572
• Title: Hybrid Quantum-Classical Learning for Multiclass Image Classification
• Title（参考訳）: 多クラス画像分類のためのハイブリッド量子古典学習
• Authors: Shuchismita Anwar, Sowmitra Das, Muhammad Iqbal Hossain, Jishnu Mahmud,
• Abstract要約: そこで本研究では,QCNNを完全連結の古典層に結合したハイブリッド量子古典アーキテクチャを提案する。 この方法は、MNIST、Fashion-MNIST、OrganAMNISTで同等の軽量モデルより優れている。 これらの結果は、捨てられた量子ビット情報の再利用が将来のハイブリッド量子古典モデルにとって有望なアプローチであることを示している。
• 参考スコア（独自算出の注目度）: 0.15749416770494704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study explores the challenge of improving multiclass image classification through quantum machine-learning techniques. It explores how the discarded qubit states of Noisy Intermediate-Scale Quantum (NISQ) quantum convolutional neural networks (QCNNs) can be leveraged alongside a classical classifier to improve classification performance. Current QCNNs discard qubit states after pooling; yet, unlike classical pooling, these qubits often remain entangled with the retained ones, meaning valuable correlated information is lost. We experiment with recycling this information and combining it with the conventional measurements from the retained qubits. Accordingly, we propose a hybrid quantum-classical architecture that couples a modified QCNN with fully connected classical layers. Two shallow fully connected (FC) heads separately process measurements from retained and discarded qubits, whose outputs are ensembled before a final classification layer. Joint optimisation with a classical cross-entropy loss allows both quantum and classical parameters to adapt coherently. The method outperforms comparable lightweight models on MNIST, Fashion-MNIST and OrganAMNIST. These results indicate that reusing discarded qubit information is a promising approach for future hybrid quantum-classical models and may extend to tasks beyond image classification.
• Abstract（参考訳）: 本研究は、量子機械学習技術を用いて、マルチクラス画像分類を改善することの課題について考察する。 ノイズ中規模量子(NISQ)量子畳み込みニューラルネットワーク(QCNN)の廃棄された量子ビット状態が、古典的分類器とともに活用され、分類性能が向上する方法について検討する。 現在のQCNNは、プーリング後にキュービット状態を捨てるが、古典的なプーリングとは異なり、これらのキュービットはしばしば保持された状態と絡み合っているため、貴重な関連情報が失われる。 我々は、この情報をリサイクルし、保持されたキュービットの従来の測定値と組み合わせて実験を行った。 そこで本研究では,QCNNを完全連結の古典層に結合したハイブリッド量子古典アーキテクチャを提案する。 2つの浅い完全連結(FC)ヘッドは、最終的な分類層の前に出力が集合される保持および廃棄された量子ビットから別々に処理する。 古典的クロスエントロピー損失を伴う合同最適化は、量子的パラメータと古典的パラメータの両方をコヒーレントに適応させることができる。 この方法はMNIST、Fashion-MNIST、OrganAMNISTで同等の軽量モデルより優れている。 これらの結果は、捨てられた量子ビット情報の再利用が将来のハイブリッド量子古典モデルにとって有望なアプローチであり、画像分類を超えたタスクにまで拡張できることを示している。

関連論文リスト

• Patch-Based End-to-End Quantum Learning Network for Reduction and Classification of Classical Data [0.22099217573031676]
  ノイズの多い中間スケール量子(NISQ)時代には、量子デコヒーレンス、クロストーク、不完全校正による誤差により、量子ビットの制御が制限される。 量子ネットワークによって処理される場合,画像などの大規模古典データのサイズを小さくする必要がある。 本稿では、このようなデータ削減を回避するために、古典的な注意機構を持つ動的パッチベースの量子ドメインデータ削減ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-23T16:58:02Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Towards Transfer Learning for Large-Scale Image Classification Using Annealing-based Quantum Boltzmann Machines [7.106829260811707]
  本稿では,Quantum Annealing (QA) を用いた画像分類手法を提案する。 本稿では,アニール型量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として用いることを提案する。 提案手法は,テスト精度とAUC-ROC-Scoreの点で,古典的ベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-11-27T16:07:49Z)
• 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)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• 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)
• Classical-to-quantum convolutional neural network transfer learning [1.9336815376402723]
  量子畳み込みニューラルネットワーク(QCNN)を用いた機械学習は、量子データ分類と古典データ分類の両方で成功している。 ノイズの多い中規模量子時代に小さなQCNNを利用するための効果的な方法として転送学習を提案する。
  論文  参考訳（メタデータ） (2022-08-31T09:15:37Z)
• 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)

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。