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

• arxiv url: http://arxiv.org/abs/2509.13353v1
• Date: Sun, 14 Sep 2025 09:55:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.550557
• Title: Hybrid Quantum-Classical Model for Image Classification
• Title（参考訳）: ハイブリッド量子古典モデルによる画像分類
• Authors: Muhammad Adnan Shahzad,
• Abstract要約: 本研究では,3つのベンチマークデータセットにおけるハイブリッド量子古典ニューラルネットワークと純粋に古典的なモデルとの系統的比較を示す。 ハイブリッドモデルはパラメータ化量子回路と古典的なディープラーニングアーキテクチャを統合し、古典的なモデルは従来の畳み込みニューラルネットワーク(CNN)を使用している。 実験は、検証精度、テスト精度、トレーニング時間、計算資源の使用量、敵の堅牢性など、データセット毎の50以上のトレーニングエポックで実施された。
• 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 study presents a systematic comparison between hybrid quantum-classical neural networks and purely classical models across three benchmark datasets (MNIST, CIFAR100, and STL10) to evaluate their performance, efficiency, and robustness. The hybrid models integrate parameterized quantum circuits with classical deep learning architectures, while the classical counterparts use conventional convolutional neural networks (CNNs). Experiments were conducted over 50 training epochs for each dataset, with evaluations on validation accuracy, test accuracy, training time, computational resource usage, and adversarial robustness (tested with $\epsilon=0.1$ perturbations).Key findings demonstrate that hybrid models consistently outperform classical models in final accuracy, achieving {99.38\% (MNIST), 41.69\% (CIFAR100), and 74.05\% (STL10) validation accuracy, compared to classical benchmarks of 98.21\%, 32.25\%, and 63.76\%, respectively. Notably, the hybrid advantage scales with dataset complexity, showing the most significant gains on CIFAR100 (+9.44\%) and STL10 (+10.29\%). Hybrid models also train 5--12$\times$ faster (e.g., 21.23s vs. 108.44s per epoch on MNIST) and use 6--32\% fewer parameters} while maintaining superior generalization to unseen test data.Adversarial robustness tests reveal that hybrid models are significantly more resilient on simpler datasets (e.g., 45.27\% robust accuracy on MNIST vs. 10.80\% for classical) but show comparable fragility on complex datasets like CIFAR100 ($\sim$1\% robustness for both). Resource efficiency analyses indicate that hybrid models consume less memory (4--5GB vs. 5--6GB for classical) and lower CPU utilization (9.5\% vs. 23.2\% on average).These results suggest that hybrid quantum-classical architectures offer compelling advantages in accuracy, training efficiency, and parameter scalability, particularly for complex vision tasks.
• Abstract（参考訳）: 本研究では、3つのベンチマークデータセット(MNIST, CIFAR100, STL10)におけるハイブリッド量子古典ニューラルネットワークと純粋古典モデルとの系統的比較を行い、その性能、効率、堅牢性を評価する。 ハイブリッドモデルはパラメータ化量子回路と古典的なディープラーニングアーキテクチャを統合し、古典的なモデルは従来の畳み込みニューラルネットワーク(CNN)を使用している。 検証精度,テスト精度,トレーニング時間,計算資源使用量,対向ロバスト性($\epsilon=0.1$摂動)について評価した。 鍵となる発見は、従来のベンチマークの98.21\%、32.25\%、63.76\%と比較すると、ハイブリッドモデルは古典モデルの最終的な精度を一貫して上回り、{99.38\%(MNIST)、41.69\%(CIFAR100)、74.05\%(STL10)の検証精度を達成していることを示している。 CIFAR100 (+9.44\%) と STL10 (+10.29\%) の最も大きな増加を示している。 ハイブリッドモデルはまた、5--12$\times$ faster (e g , 21.23s vs. 108.44s per epoch) を訓練し、6--32\% のパラメータを減らし、未確認のテストデータへの優れた一般化を維持している。 資源効率の分析によると、ハイブリッドモデルはメモリ消費を減らし(古典的には4～5GB対5～6GB)、CPU使用率を低下させる(平均では9.5\%対23.2\%)。 これらの結果は、特に複雑な視覚タスクにおいて、ハイブリッド量子古典アーキテクチャは、精度、トレーニング効率、パラメータスケーラビリティにおいて魅力的な利点をもたらすことを示唆している。

関連論文リスト

• A Hybrid Neural Network with Smart Skip Connections for High-Precision, Low-Latency EMG-Based Hand Gesture Recognition [0.2356141385409842]
  本稿では,手の動き認識を高精度かつ効率的に行うために,ConSGruNetという新しいハイブリッドニューラルネットワークを提案する。 提案されたモデルは、わずか25ミリ秒で53クラスの分類において99.7%の精度を持つ。
  論文  参考訳（メタデータ） (2025-03-12T04:01:32Z)
• Malware Classification from Memory Dumps Using Machine Learning, Transformers, and Large Language Models [1.038088229789127]
  本研究では,異なる特徴セットとデータ構成を用いたマルウェア分類タスクにおける各種分類モデルの性能について検討する。 XGBはTop 45 Featuresで87.42%の精度を達成し、他の全てのモデルを上回った。 ディープラーニングモデルはパフォーマンスが悪く、RNNは66.71%の精度でトランスフォーマーは71.59%に達した。
  論文  参考訳（メタデータ） (2025-03-04T00:24:21Z)
• Computational Advantage in Hybrid Quantum Neural Networks: Myth or Reality? [4.635820333232683]
  ハイブリッド量子ニューラルネットワーク(HQNN)は、計算性能を向上させる可能性に注目されている。 量子層は純粋に古典的なモデルよりも計算上の優位性を提供しますか? 本稿では,従来のモデルとハイブリッドモデルがアーキテクチャの複雑さを増す問題にどのように適応するかを考察する。
  論文  参考訳（メタデータ） (2024-12-06T12:31:04Z)
• Lean classical-quantum hybrid neural network model for image classification [12.353900068459446]
  本稿では,変分回路の4層のみを用いて,効率的な分類性能を実現するLan Classical-Quantum Hybrid Neural Network (LCQHNN)を提案する。 我々の実験は、LCQHNNがMNIST、FashionMNIST、CIFAR-10データセットの100%、99.02%、85.55%の分類精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-12-03T00:37:11Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• Hyperparameter-free Continuous Learning for Domain Classification in Natural Language Understanding [60.226644697970116]
  ドメイン分類は自然言語理解(NLU)の基本課題である 既存の継続的な学習アプローチの多くは、低い精度とパフォーマンスの変動に悩まされている。 本研究では,テキストデータに対するパラメータフリー連続学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:46:16Z)
• Conformer-based Hybrid ASR System for Switchboard Dataset [99.88988282353206]
  本稿では,競争力のあるコンバータベースハイブリッドモデルトレーニングレシピを提示し,評価する。 本研究は,単語誤り率の向上と学習速度向上のための異なる訓練側面と手法について検討する。 我々はSwitchboard 300hデータセットで実験を行い、コンバータベースのハイブリッドモデルは競争力のある結果を得る。
  論文  参考訳（メタデータ） (2021-11-05T12:03:18Z)
• Hybrid Quantum-Classical Neural Network for Incident Detection [2.5583276647402693]
  リアルタイムインシデント検出モデルの効率性と信頼性は、影響を受ける廊下の交通安全と運転条件に直接影響を及ぼす。 クラウドベースの量子コンピューティング基盤の近年の出現と、ノイズの多い中間スケール量子デバイスにおけるイノベーションにより、量子強化アルゴリズムの新しい時代が明らかになった。 古典的および量子機械学習(ML)モデルを含むハイブリッド機械学習モデルを開発し、コネクテッドカー(CV)データを用いてインシデントを特定する。
  論文  参考訳（メタデータ） (2021-08-02T19:08:31Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)
• Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
  そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。 我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-12T07:00:46Z)

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。