論文の概要: Quantum Enhanced Anomaly Detection for ADS-B Data using Hybrid Deep Learning

• arxiv url: http://arxiv.org/abs/2509.15991v1
• Date: Fri, 19 Sep 2025 13:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.192581
• Title: Quantum Enhanced Anomaly Detection for ADS-B Data using Hybrid Deep Learning
• Title（参考訳）: ハイブリッドディープラーニングを用いたADS-Bデータの量子強調異常検出
• Abstract要約: 本稿では,量子特性が異常検出に与える影響を探索するために,量子と古典的機械学習を組み合わせた新しい手法を提案する。 本稿では,Hybrid-Fully Connected Quantum Neural Network(H-FQNN)の性能と損失関数を比較し,ADS-Bデータセットを用いてその性能を評価する。
• 参考スコア（独自算出の注目度）: 0.02799896314754614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emerging field of Quantum Machine Learning (QML) has shown promising advantages in accelerating processing speed and effectively handling the high dimensionality associated with complex datasets. Quantum Computing (QC) enables more efficient data manipulation through the quantum properties of superposition and entanglement. In this paper, we present a novel approach combining quantum and classical machine learning techniques to explore the impact of quantum properties for anomaly detection in Automatic Dependent Surveillance-Broadcast (ADS-B) data. We compare the performance of a Hybrid-Fully Connected Quantum Neural Network (H-FQNN) with different loss functions and use a publicly available ADS-B dataset to evaluate the performance. The results demonstrate competitive performance in detecting anomalies, with accuracies ranging from 90.17% to 94.05%, comparable to the performance of a traditional Fully Connected Neural Network (FNN) model, which achieved accuracies between 91.50% and 93.37%.
• Abstract（参考訳）: 量子機械学習(QML)の新たな分野は、処理速度を加速し、複雑なデータセットに関連する高次元の処理を効果的に行う上で、有望なメリットを示している。 量子コンピューティング(QC)は、重ね合わせと絡み合いの量子特性を通じて、より効率的なデータ操作を可能にする。 本稿では,ADS-B(Automatic Dependent Surveillance-Broadcast)データにおいて,量子特性が異常検出に与える影響を探索するために,量子と古典的機械学習を組み合わせた新しい手法を提案する。 本稿では,Hybrid-Fully Connected Quantum Neural Network(H-FQNN)の性能と損失関数を比較し,ADS-Bデータセットを用いてその性能を評価する。 この結果は、90.17%から94.05%の精度で、91.50%から93.37%の精度を達成した従来のFNN(Fully Connected Neural Network)モデルに匹敵する性能を示した。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Enhancing Network Anomaly Detection with Quantum GANs and Successive Data Injection for Multivariate Time Series [6.576759206183036]
  本稿では,異常検出のためのQGANアーキテクチャを提案する。 データ再アップロードとSuDaIを統合することで、アプローチは古典的なデータを量子状態に効率的にマッピングする。 QGANは、異常検出において高いリコールとF1スコアとともに高い精度を達成し、古典モデルと比較して低いMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-16T18:47:42Z)
• Performance Analysis and Noise Impact of a Novel Quantum KNN Algorithm for Machine Learning [0.0]
  そこで本研究では,従来のk-NN技術よりも性能が向上した量子K-nearest neighbors(QKNN)アルゴリズムを提案する。 提案された修正は、アダマールと回転ゲートを用いた量子データの符号化を最適化することに集中し、量子状態における古典データのより効率的なレンダリングを保証する。 スワップテストに基づく新しい量子距離計量を導入し、様々な量子状態間の類似度を測定する。
  論文  参考訳（メタデータ） (2025-05-09T21:17:11Z)
• Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
  量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。 量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。 量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
  論文  参考訳（メタデータ） (2025-04-05T17:25:26Z)
• 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)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance [0.0]
  古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。 線形分類パターン(LCP)と非線形分類パターン(NLCP)の2つの分類パターンに対するアプローチを実証する。
  論文  参考訳（メタデータ） (2024-05-15T14:28:00Z)
• 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)
• 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)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。