論文の概要: A Collaborative Framework for Quantum Optimisation and Quantum Neural Networks: Credit Feature Selection and Image Classification

• arxiv url: http://arxiv.org/abs/2509.11110v1
• Date: Sun, 14 Sep 2025 05:58:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.924175
• Title: A Collaborative Framework for Quantum Optimisation and Quantum Neural Networks: Credit Feature Selection and Image Classification
• Title（参考訳）: 量子最適化と量子ニューラルネットワークのための協調的フレームワーク:クレジット特徴選択と画像分類
• Authors: JiaNing Long, Xuechen Liang,
• Abstract要約: 本稿では,2つの異なる機械学習タスクにおける量子コンピューティングの有効性について検討する。 まず、ドイツ信用データセットの特徴選択問題に対処する。 第2に、MNISTデータセットにおける手書き桁3、6の分類に焦点を当てる。
• 参考スコア（独自算出の注目度）: 1.3177681589844814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the efficacy of quantum computing in two distinct machine learning tasks: feature selection for credit risk assessment and image classification for handwritten digit recognition. For the first task, we address the feature selection challenge of the German Credit Dataset by formulating it as a Quadratic Unconstrained Binary Optimization (QUBO) problem, which is solved using quantum annealing to identify the optimal feature subset. Experimental results show that the resulting credit scoring model maintains high classification precision despite using a minimal number of features. For the second task, we focus on classifying handwritten digits 3 and 6 in the MNIST dataset using Quantum Neural Networks (QNNs). Through meticulous data preprocessing (downsampling, binarization), quantum encoding (FRQI and compressed FRQI), and the design of QNN architectures (CRADL and CRAML), we demonstrate that QNNs can effectively handle high-dimensional image data. Our findings highlight the potential of quantum computing in solving practical machine learning problems while emphasizing the need to balance resource expenditure and model efficacy.
• Abstract（参考訳）: 本稿では,2つの異なる機械学習タスクにおける量子コンピューティングの有効性について検討する。 まず, 量子アニール法を用いて最適特徴部分集合を同定し, 擬似非拘束バイナリ最適化(QUBO)問題として定式化することで, ドイツ信用データセットの特徴選択問題に対処する。 実験結果から,最小限の特徴を用いても高い分類精度を維持した信用スコアモデルが得られた。 第2の課題は、量子ニューラルネットワーク(QNN)を用いたMNISTデータセットにおける手書き桁3、6の分類に焦点を当てる。 量子符号化(FRQIおよび圧縮FRQI)、QNNアーキテクチャ(CRADLおよびCRAML)の設計を通じて、QNNが高次元画像データを効果的に処理できることを実証する。 本研究は,資源支出とモデルの有効性のバランスをとる必要性を強調しつつ,実用的な機械学習問題の解決における量子コンピューティングの可能性を強調した。

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)
• Optimizing Quantum Convolutional Neural Network Architectures for Arbitrary Data Dimension [2.9396076967931526]
  量子畳み込みニューラルネットワーク(QCNN)は量子機械学習において有望なアプローチである。 量子リソースの割り当てを最適化しながら任意の入力データ次元を処理できるQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-28T02:25:12Z)
• Image Denoising with Machine Learning: A Novel Approach to Improve Quantum Image Processing Quality and Reliability [3.8704324110545767]
  量子画像処理(QIP)は、画像の操作と解析に量子コンピューティングの利点を活用することを目的としている。 QIPは量子ビットの制限と量子マシンにおけるノイズの存在という2つの課題に直面している。 本稿では,量子処理された画像のノイズを特定し,修正する機械学習モデルを用いて,QIPにおけるノイズ問題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-18T16:55:54Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)
• 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)
• Data reconstruction based on quantum neural networks [0.456877715768796]
  量子ニューラルネットワーク(QNN)と量子オートエンコーダ(QAE)に基づくデータ再構成のための2つのフレームワークを提案する。 その結果,QNNとQAEはデータ再構成に有効であることがわかった。
  論文  参考訳（メタデータ） (2022-09-13T03:40:27Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。