論文の概要: A Quantum Bagging Algorithm with Unsupervised Base Learners for Label Corrupted Datasets

• arxiv url: http://arxiv.org/abs/2509.07040v1
• Date: Mon, 08 Sep 2025 09:34:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.048038
• Title: A Quantum Bagging Algorithm with Unsupervised Base Learners for Label Corrupted Datasets
• Title（参考訳）: ラベル破損データセットに対する教師なしベース学習器を用いた量子バギングアルゴリズム
• Authors: Neeshu Rathi, Sanjeev Kumar,
• Abstract要約: 本稿では,QMeansクラスタリングをベース学習として用いて,予測分散を低減し,ラベルノイズに対するロバスト性を高める量子バッグングフレームワークを提案する。 提案した量子バッグングアルゴリズムは,従来のKMeansと同等に動作し,教師付きバッグング法よりもラベルの破損に対するレジリエンスが高いことを示した。
• 参考スコア（独自算出の注目度）: 2.850389822151216
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The development of noise-resilient quantum machine learning (QML) algorithms is critical in the noisy intermediate-scale quantum (NISQ) era. In this work, we propose a quantum bagging framework that uses QMeans clustering as the base learner to reduce prediction variance and enhance robustness to label noise. Unlike bagging frameworks built on supervised learners, our method leverages the unsupervised nature of QMeans, combined with quantum bootstrapping via QRAM-based sampling and bagging aggregation through majority voting. Through extensive simulations on both noisy classification and regression tasks, we demonstrate that the proposed quantum bagging algorithm performs comparably to its classical counterpart using KMeans while exhibiting greater resilience to label corruption than supervised bagging methods. This highlights the potential of unsupervised quantum bagging in learning from unreliable data.
• Abstract（参考訳）: 雑音耐性量子機械学習(QML)アルゴリズムの開発は、ノイズの多い中間スケール量子(NISQ)時代に重要である。 本研究では,QMeansクラスタリングをベース学習として用いて,予測分散を低減し,ラベルノイズに対するロバスト性を高める量子バッグングフレームワークを提案する。 教師付き学習者に基づくバッグングフレームワークとは違い,本手法はQMeansの教師なしの性質を活かし,QRAMによるサンプリングと多数決によるベージアグリゲーションによる量子ブートストラップと組み合わせる。 雑音の分類と回帰処理の両方に関する広範囲なシミュレーションにより,提案手法は従来のKMeansを用いた量子バッグングアルゴリズムと相容れない性能を示しながら,教師付きバッグング法よりも高いレジリエンスを示す。 これは、信頼できないデータから学習する際の教師なし量子バッグングの可能性を強調している。

関連論文リスト

• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Learning agent-based approach to the characterization of open quantum systems [0.08496348835248901]
  我々は,オープンな量子モデル学習エージェント (oQMLA) フレームワークを導入し,Louvillianフォーマリズムによるマルコフ雑音を考慮した。 ハミルトン作用素とジャンプ作用素を同時に学習することにより、oQMLAは独立に系のコヒーレント力学と非コヒーレント力学の両方を捉える。 複雑化のシミュレーションシナリオにおける本実装の有効性を検証し,ハードウェアによる測定誤差に対するロバスト性を示す。
  論文  参考訳（メタデータ） (2025-01-09T16:25:17Z)
• Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
  量子機械学習は、環境モニタリング、医療診断、金融モデリングといった様々な応用において有望であることを示している。 重要な課題のひとつは、希少なイベントがスキューデータ分散によって誤って分類される、不均衡なデータセットを扱うことだ。 本稿では,QBNを用いて衛星由来の不均衡データセットを分類し,非スパイル領域とオイルスパイル'を区別するベイズ的手法を提案する。
  論文  参考訳（メタデータ） (2024-12-24T15:44:26Z)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• Benchmarking Quantum Generative Learning: A Study on Scalability and Noise Resilience using QUARK [0.3624329910445628]
  本稿では,量子生成学習アプリケーションのスケーラビリティと耐雑音性について検討する。 厳密なベンチマーク手法を用いて、進捗を追跡し、QMLアルゴリズムのスケーリングにおける課題を特定する。 その結果,QGANはQCBMほど次元の呪いの影響を受けず,QCBMはノイズに耐性があることがわかった。
  論文  参考訳（メタデータ） (2024-03-27T15:05:55Z)
• GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
  GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。 GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。 GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
  論文  参考訳（メタデータ） (2024-01-25T11:11:16Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Sampling Overhead Analysis of Quantum Error Mitigation: Uncoded vs. Coded Systems [69.33243249411113]
  パウリの誤差は、多数の現実的な量子チャネルの中で最も低いサンプリングオーバーヘッドをもたらすことを示す。 我々はQEMと量子チャネル符号化を併用する手法を考案し、純粋なQEMと比較してサンプリングオーバーヘッドの低減を解析する。
  論文  参考訳（メタデータ） (2020-12-15T15:51:27Z)
• Robustness Verification of Quantum Classifiers [1.3534683694551501]
  我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。 堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。 我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
  論文  参考訳（メタデータ） (2020-08-17T11:56:23Z)

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。