論文の概要: Potential of multi-anomalies detection using quantum machine learning

• arxiv url: http://arxiv.org/abs/2510.07055v1
• Date: Wed, 08 Oct 2025 14:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.549391
• Title: Potential of multi-anomalies detection using quantum machine learning
• Title（参考訳）: 量子機械学習を用いたマルチアノマリー検出の可能性
• Authors: Takao Tomono, Kazuya Tsujimura,
• Abstract要約: 振動解析では、一級SVMと組み合わされたARモデル係数を用いて異常を検出する。 本研究では,量子カーネルを用いた一級SVMにおける古典的カーネルの置換効果について検討する。 以上の結果から,古典ガウス (RBF) カーネルに対する量子カーネルの利点が明らかとなった。
• 参考スコア（独自算出の注目度）: 0.28647133890966986
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Maintenance of production equipment is critical in manufacturing. Typically, machine learning models are trained on sensor data closely attached to equipment. However, as the number of machines increases, computational cost grows rapidly. In practice, anomalies are often identified by human operators through auditory perception, relying heavily on experience and intuition. In vibration analysis, especially, AR model coefficients combined with one-class SVMs are used for detecting anomalies. In this work, we explore the effect of substituting the classical kernel in the one-class SVM with a quantum kernel. Two experimental setups were used. The first involved a miniature racing car track, where the car passes over a patch of hook-and-loop fastener to generate abnormal sounds, which are recorded using a microphone. The second involved an open-belt drive, where chopsticks are inserted at specific times to produce crushing sounds, simulating sudden anomalies. Our results show a clear advantage of quantum kernels over classical Gaussian (RBF) kernels. On the miniature car track dataset, the quantum kernel achieved an accuracy and F1-score of 0.82, compared to 0.64 and 0.39 respectively for the RBF kernel. For the crushing device, the quantum kernel achieved perfect accuracy and F1-score (1.00), while the RBF kernel reached only 0.64 accuracy and 0.43 F1-score. These findings suggest that quantum kernels enhance the classification accuracy for diverse types of abnormal sound patterns, including both periodic and impulsive anomalies.
• Abstract（参考訳）: 製造設備の保守は製造に不可欠である。 通常、機械学習モデルは機器に密着したセンサーデータに基づいて訓練される。 しかし、機械の数が増加するにつれて、計算コストは急速に増大する。 実際には、異常はしばしば、経験と直感に大きく依存して、聴覚的知覚を通じて人間のオペレーターによって識別される。 特に振動解析において、一級SVMと組み合わされたARモデル係数を用いて異常を検出する。 本研究では,量子カーネルを用いた一級SVMにおける古典的カーネルの置換効果について検討する。 2つの実験装置が使用された。 1つ目はミニチュアのレーシングカートラックで、車がフック・アンド・ループ・ファスナーのパッチを通り過ぎて異常な音を発生させ、マイクで記録した。 2つ目はオープンベルトドライブで、コップスティックを特定のタイミングで挿入して破砕音を発生させ、突然の異常をシミュレートする。 以上の結果から,古典ガウス (RBF) カーネルに対する量子カーネルの利点が明らかとなった。 小型車のトラックデータセットでは、それぞれRBFカーネルの0.64と0.39と比較すると、量子カーネルの精度とF1スコアは0.82である。 この破砕装置では、量子カーネルは完全な精度とF1スコア(1.00)を達成し、RBFカーネルは0.64の精度と0.43のF1スコアに達した。 これらの結果から,量子核は周期的およびインパルス的異常を含む様々な種類の異常音パターンの分類精度を高めることが示唆された。

関連論文リスト

• Quantum Kernel Anomaly Detection Using AR-Derived Features from Non-Contact Acoustic Monitoring for Smart Manufacturing [0.28647133890966986]
  本研究は,非接触センサを用いた異常検出のための量子カーネルの利用について検討する。 最小限の非接触センサを用いて, ノイズの多い工場環境において, 量子カーネル法が頑健なマルチクラス異常検出を実現することを示す。
  論文  参考訳（メタデータ） (2025-10-07T05:42:44Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• Fast simulations of X-ray absorption spectroscopy for battery materials on a quantum computer [36.21999915593711]
  本研究は,X線吸収のための時間領域アルゴリズムの高度に最適化された実装を提案する。 提案アルゴリズムの低コスト化により,耐故障性量子デバイスを用いた高容量電池陰極の開発・商業化が促進される。
  論文  参考訳（メタデータ） (2025-06-18T18:00:29Z)
• Quantum kernel learning Model constructed with small data [0.6138671548064356]
  我々は、小型データを用いて、画像検査における様々な異常を検出するために量子機械学習を使用することを目指している。 特定の量子カーネルに埋め込まれたSVMによる学習は、古典的なカーネルに比べてAUCの値が著しく高かった。
  論文  参考訳（メタデータ） (2024-12-01T12:12:58Z)
• Learning out-of-time-ordered correlators with classical kernel methods [3.6538093004443155]
  XZ-OTOCと特定のOTOCの和を正確に学習できるかを検討する。 この問題を回帰タスクとして、ラベル付きデータの小さなバッチを生成する。 我々は、様々な標準カーネルマシンを訓練し、ラプラシアンおよびラジアル基底関数(RBF)カーネルが最高の性能を発揮することを観察する。
  論文  参考訳（メタデータ） (2024-09-03T04:20:24Z)
• Compressed gate characterization for quantum devices with time-correlated noise [0.0]
  本稿では,時間関連ノイズの存在下での量子プロセストモグラフィ(QPT)の一般的な枠組みについて述べる。 本手法の適用例として,シリコンスピン量子ビットの比較理論的および実験的解析を行った。 理論的に予測されたプロセスの忠実度と2つのqubitインターリーブされたランダム化されたベンチマークの忠実度との間には、最近のシリコンスピン量子ビットに関する実験で測定された99.8%の一致が得られた。
  論文  参考訳（メタデータ） (2023-07-26T18:05:49Z)
• 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)
• Generative Kernel Continual learning [117.79080100313722]
  本稿では、生成モデルとカーネル間の相乗効果を利用して連続学習を行う、生成カーネル連続学習を紹介する。 生成モデルは、カーネル学習のための代表サンプルを生成することができ、カーネル連続学習におけるメモリ依存を取り除くことができる。 コントリビューションの能力とメリットを示すために,広く利用されている3つの連続学習ベンチマークについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-12-26T16:02:10Z)
• Hybrid Random Features [60.116392415715275]
  ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:59Z)
• Explicit Regularisation in Gaussian Noise Injections [64.11680298737963]
  ガウスノイズインジェクション(GNI)によるニューラルネットワークの正規化の検討 GNIの明示的な正則化を導出する。 このような正規化は、大きな分類マージンを持つ校正分類器を生成することを分析的かつ実証的に示す。
  論文  参考訳（メタデータ） (2020-07-14T21:29:46Z)

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。