論文の概要: Triplet Loss Based Quantum Encoding for Class Separability

• arxiv url: http://arxiv.org/abs/2509.15705v1
• Date: Fri, 19 Sep 2025 07:28:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.05204
• Title: Triplet Loss Based Quantum Encoding for Class Separability
• Title（参考訳）: クラス分離性のためのトリプルト損失に基づく量子符号化
• Authors: Marco Mordacci, Mahul Pandey, Paolo Santini, Michele Amoretti,
• Abstract要約: 符号化回路は、古典的な顔認識アルゴリズムにインスパイアされた三重項損失関数を用いて訓練される。 MNISTおよびMedMNISTデータセット上の様々なバイナリ分類タスクで実施されたベンチマークテストは、同じVQC構造を持つ振幅符号化よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 2.7641963278515114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An efficient and data-driven encoding scheme is proposed to enhance the performance of variational quantum classifiers. This encoding is specially designed for complex datasets like images and seeks to help the classification task by producing input states that form well-separated clusters in the Hilbert space according to their classification labels. The encoding circuit is trained using a triplet loss function inspired by classical facial recognition algorithms, and class separability is measured via average trace distances between the encoded density matrices. Benchmark tests performed on various binary classification tasks on MNIST and MedMNIST datasets demonstrate considerable improvement over amplitude encoding with the same VQC structure while requiring a much lower circuit depth.
• Abstract（参考訳）: 変分量子分類器の性能を高めるために, 効率的かつデータ駆動型符号化方式を提案する。 このエンコーディングは、画像のような複雑なデータセットのために特別に設計されており、分類ラベルに従ってヒルベルト空間によく分離されたクラスタを形成する入力状態を生成することによって分類タスクを支援する。 符号化回路は、古典的な顔認識アルゴリズムにインスパイアされた三重項損失関数を用いて訓練され、符号化された密度行列間の平均トレース距離を介してクラス分離性を測定する。 MNISTおよびMedMNISTデータセット上の様々なバイナリ分類タスクで実施されたベンチマークテストは、回路深度をはるかに低くしながら、同じVQC構造を持つ振幅符号化よりも大幅に改善されたことを示す。

関連論文リスト

• Unsupervised Deep Clustering of MNIST with Triplet-Enhanced Convolutional Autoencoders [0.0]
  本研究は、MNIST手書き桁のための高度な教師なしクラスタリングシステムを実装した。 ディープ・ニューラル・オートエンコーダは、画像の最小でも解釈可能な表現を開発するために、フェーズ1のトレーニングプロセスを必要とする。
  論文  参考訳（メタデータ） (2025-06-11T18:26:13Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Data Encoding for VQC in Qiskit, A Comparison With Novel Hybrid Encoding [0.0]
  振幅符号化は必要な量子ビットを減らすため、アングル符号化は状態の自由を良くし、表現的符号化や位相に基づく区別に使用される。 本稿では,Amplitudeエンコーディングが要求されるqubitを削減し,Angleエンコーディングが状態自由度を向上し,表現的エンコーディングや位相に基づく区別に使用されることにより,効率的なqubit使用が保証されることを示す。
  論文  参考訳（メタデータ） (2025-03-18T09:36:09Z)
• Goal-Oriented Source Coding using LDPC Codes for Compressed-Domain Image Classification [3.2657732635702375]
  本稿では,低密度パリティチェック(LDPC)符号をエントロピー符号化の代替手法として使用することを検討した。 LDPC符号の構造的性質は、分類のようなタスクのためのディープラーニングモデルによりより効果的に活用できると仮定される。 MNIST、Fashion-MNIST、CIFARといったデータセットの実験では、LDPCコードは分類タスクにおいてHuffmanとArithmeticのコーディングを上回っている。
  論文  参考訳（メタデータ） (2025-03-15T01:52:09Z)
• Autoencoded UMAP-Enhanced Clustering for Unsupervised Learning [49.1574468325115]
  本稿では,低次元空間にデータを非線形に埋め込み,次に従来のクラスタリングアルゴリズムを用いて非教師なし学習を行う手法を提案する。 この埋め込みはデータのクラスタビリティを促進し、オートエンコーダニューラルネットワークのエンコーダとUMAPアルゴリズムの出力の2つのマッピングで構成されている。 MNISTデータに適用した場合、AUECはクラスタリング精度において最先端技術よりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-13T22:30:38Z)
• Encoding optimization for quantum machine learning demonstrated on a superconducting transmon qutrit [1.6460874590065597]
  3レベル量子系は、通常使用される2レベル量子ビットよりも少ない成分を必要とするという利点がある。 本研究は,機械学習の分類応用における量子パラメトリック回路の可能性について検討する。
  論文  参考訳（メタデータ） (2023-09-22T17:53:16Z)
• Triple-View Knowledge Distillation for Semi-Supervised Semantic Segmentation [54.23510028456082]
  半教師付きセマンティックセグメンテーションのためのトリプルビュー知識蒸留フレームワークTriKDを提案する。 このフレームワークは、トリプルビューエンコーダとデュアル周波数デコーダを含む。
  論文  参考訳（メタデータ） (2023-09-22T01:02:21Z)
• Deep Asymmetric Hashing with Dual Semantic Regression and Class Structure Quantization [9.539842235137376]
  本稿では,三重制約の下で識別ハッシュを生成する二項意味非対称ハッシュ(DSAH)法を提案する。 これら3つの主要コンポーネントにより、ネットワークを介して高品質なハッシュコードを生成することができる。
  論文  参考訳（メタデータ） (2021-10-24T16:14:36Z)
• EfficientFCN: Holistically-guided Decoding for Semantic Segmentation [49.27021844132522]
  最先端セマンティックセマンティックセグメンテーションアルゴリズムは主に拡張されたFully Convolutional Networks (DilatedFCN)に基づいている 本稿では,拡張畳み込みのないイメージネット事前学習ネットワークをバックボーンとする,効率的なFCNを提案する。 このようなフレームワークは、計算コストの1/3しか持たない最先端の手法に比べて、同等またはそれ以上の性能を達成する。
  論文  参考訳（メタデータ） (2020-08-24T14:48:23Z)
• Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and Self-Control Gradient Estimator [62.26981903551382]
  バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。 本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。 この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-05-21T06:11:33Z)

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。