論文の概要: Quantum Machine Learning Applied to the Sinking of the Titanic

• arxiv url: http://arxiv.org/abs/2509.00916v1
• Date: Sun, 31 Aug 2025 16:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.460203
• Title: Quantum Machine Learning Applied to the Sinking of the Titanic
• Title（参考訳）: タイタニックのシンクに応用した量子機械学習
• Authors: Luiz Henrique Prudencio dos Santos, Eliane F. Chinaglia, Jessica Fleury Curado, Marcilei A. Guazzelli, Mariana Pojar, Sueli Hatsumi Masunaga, Roberto Baginski Batista Santos,
• Abstract要約: 量子モデルは、最大50の変動パラメータを持つパウリエンタングリングと非エンタングリング拡張ベースの特徴写像とリアル振幅アンサッツを用いて構築された。 モデルトレーニングでは、クロスエントロピー損失を最小限に抑えるため、COBYLAグラデーションフリーフレームワークを使用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work investigates the performance of hybrid quantum-classical variational classifiers applied to a supervised learning task involving the titanic3 dataset. Quantum models were constructed using Pauli entangling and non-entangling expansion-based feature maps and the RealAmplitudes ansatz with up to 50 variational parameters. Model training employed the COBYLA gradient-free optimizer to minimize the cross-entropy loss, within an ideal statevector simulation framework. Comparative performance analysis reveals that the models based on the non-entangling feature map consistently outperformed the models based on the entangling features maps, achieving saturation of classification metrics (accuracy, balanced accuracy, and Youden's index) beyond 15 to 20 parameters. Further, two quantum models were benchmarked against a classical Support Vector Classifier (SVC). While both approaches yielded similar predictive performance across multiple training sizes, the classical model exhibited a performance collapse when trained with 90% of the dataset, a failure mode absent in the quantum classifiers. These results underscore the robustness and viability of variational quantum classifiers for binary classification tasks on classical datasets in the NISQ era.
• Abstract（参考訳）: 本研究は、タイタニック3データセットを含む教師付き学習課題に適用されたハイブリッド量子古典的変分分類器の性能について検討する。 量子モデルは、最大50の変動パラメータを持つパウリエンタングリングと非エンタングリング拡張ベースの特徴写像とリアル振幅アンサッツを用いて構築された。 モデルトレーニングでは、理想的な状態ベクトルシミュレーションフレームワークにおいて、クロスエントロピー損失を最小限に抑えるため、COBYLAグラデーションフリーオプティマイザを使用した。 比較性能分析の結果,非絡み合う特徴写像に基づくモデルは,絡み合う特徴写像に基づくモデルよりも一貫して優れており,15～20のパラメータを超える分類指標(精度,バランスの取れた精度,ユーデン指数)の飽和が達成された。 さらに、2つの量子モデルを古典的サポートベクトル分類器(SVC)に対してベンチマークした。 どちらのアプローチも、複数のトレーニングサイズで同様の予測性能を得たが、古典的なモデルでは、90%のデータセットでトレーニングされた時にパフォーマンスが低下し、量子分類器には障害モードが欠落していた。 これらの結果は、NISQ時代の古典的データセット上でのバイナリ分類タスクに対する変分量子分類器の堅牢性と生存性を示すものである。

関連論文リスト

• Evaluating Angle and Amplitude Encoding Strategies for Variational Quantum Machine Learning: their impact on model's accuracy [0.6553587309274792]
  変分量子回路(VQC)は、量子回路がデータ推論を処理し、古典的な最適化が回路のパラメータを調整するハイブリッドモデルである。 本研究は,アングルエンコーディングモデルとアングルエンコーディングモデルの両方を考慮した解析を行い,ローテーションゲートの種類がモデルの分類性能に与える影響について検討する。 この研究は、同じモデルトポロジの下では、最高のモデルと最悪のモデルの精度の差は10%から30%で、差は最大41%に達することを示した。
  論文  参考訳（メタデータ） (2025-08-01T16:43:45Z)
• Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images [0.5892638927736115]
  本稿では,古典的・古典的ハイブリッド畳み込みニューラルネットワーク(CNN)と,ランダム化された古典的・量子的ニューラルネットワーク(NN)の性能を比較した。 これらのアプローチを,複雑性を増大させる3つのデータセット上で評価する。 クロスデータセット性能解析では、異なる分類タスク間の量子モデルの限られた転送可能性を示した。
  論文  参考訳（メタデータ） (2024-11-28T17:13:45Z)
• The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
  本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。 私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。 この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
  論文  参考訳（メタデータ） (2023-09-20T10:31:17Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• ClusterQ: Semantic Feature Distribution Alignment for Data-Free Quantization [111.12063632743013]
  本稿では,ClusterQと呼ばれるデータフリーな量子化手法を提案する。 意味的特徴のクラス間分離性を高めるために,特徴分布統計をクラスタ化し,整列する。 また、クラス内分散を組み込んで、クラスワイドモードの崩壊を解決する。
  論文  参考訳（メタデータ） (2022-04-30T06:58:56Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• 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)
• 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)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Anomaly detection with variational quantum generative adversarial networks [0.0]
  GAN(Generative Adversarial Network)は、ターゲット分布からサンプリングする生成モデルを含む機械学習フレームワークである。 これらの問題に対処するために、変分量子古典ワッサースタインGANを導入し、このモデルを古典的な機械学習フレームワークに組み込んで異常検出を行う。 我々のモデルは、ワッサースタインGANのジェネレータをハイブリッド量子古典ニューラルネットに置き換え、古典的な判別モデルをそのまま残す。
  論文  参考訳（メタデータ） (2020-10-20T17:48:04Z)

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。