論文の概要: On the Impact of Weight Discretization in QUBO-Based SVM Training

• arxiv url: http://arxiv.org/abs/2510.26323v1
• Date: Thu, 30 Oct 2025 10:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.752644
• Title: On the Impact of Weight Discretization in QUBO-Based SVM Training
• Title（参考訳）: QUBOによるSVMトレーニングにおける重み付き離散化の影響について
• Authors: Sascha Mücke,
• Abstract要約: 量子ビットの数がデータセット間での予測性能に与える影響について検討する。 低精度のQUBO符号化でも、競争力があり、時には優れた精度が得られます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training Support Vector Machines (SVMs) can be formulated as a QUBO problem, enabling the use of quantum annealing for model optimization. In this work, we study how the number of qubits - linked to the discretization level of dual weights - affects predictive performance across datasets. We compare QUBO-based SVM training to the classical LIBSVM solver and find that even low-precision QUBO encodings (e.g., 1 bit per parameter) yield competitive, and sometimes superior, accuracy. While increased bit-depth enables larger regularization parameters, it does not always improve classification. Our findings suggest that selecting the right support vectors may matter more than their precise weighting. Although current hardware limits the size of solvable QUBOs, our results highlight the potential of quantum annealing for efficient SVM training as quantum devices scale.
• Abstract（参考訳）: トレーニング支援ベクトルマシン(SVM)はQUBO問題として定式化することができ、モデルの最適化に量子アニールを用いることが可能である。 本研究では,2重重みの離散化レベルに関連する量子ビットの数が,データセット間の予測性能に与える影響について検討する。 我々は、QUBOベースのSVMトレーニングを古典的なLIBSVMソルバと比較し、低精度のQUBO符号化(例えば、パラメータあたり1ビット)でさえ、競争力があり、時には優れた精度が得られることを発見した。 ビット深度の増加はより大きな正規化パラメータを可能にするが、必ずしも分類を改善するとは限らない。 以上の結果から, 正しい支持ベクトルの選択は, 正確な重み付けよりも重要である可能性が示唆された。 現在のハードウェアは、解決可能なQUBOのサイズを制限しているが、量子デバイススケールとしての効率的なSVMトレーニングのための量子アニールの可能性を強調している。

関連論文リスト

• Learning Grouped Lattice Vector Quantizers for Low-Bit LLM Compression [57.54335545892155]
  本稿では,各重みの群に独自の格子コードブックを割り当てるGLVQ(Grouped Lattice Vector Quantization)フレームワークを紹介する。 提案手法は,既存のトレーニング後の量子化ベースラインと比較して,モデルサイズと精度のトレードオフが良好である。
  論文  参考訳（メタデータ） (2025-10-23T20:19:48Z)
• MSQ: Memory-Efficient Bit Sparsification Quantization [11.510434574824213]
  混合精度量子化は効率と精度のバランスが優れているため、広く好まれる。 メモリ効率の良いビットスカラー化量子化(MSQ)を提案する。 MSQは、トレーニング可能なパラメータの最大8.00倍の削減、トレーニング時間の最大86%の削減を実現している。
  論文  参考訳（メタデータ） (2025-07-30T03:21:29Z)
• Quantum Annealing for Machine Learning: Applications in Feature Selection, Instance Selection, and Clustering [41.94295877935867]
  量子解法と古典解法をともに実装し,その有効性を比較する。 特徴選択のために,特徴量と冗長性のバランスをとるいくつかのQUBO構成を提案する。 事例選択では,既存手法を拡張した事例レベルの重要度尺度を提案する。 クラスタリングには古典的クラスタリングとQUBOベースのメドイドリファインメントを併用した古典的量子パイプラインを組み込む。
  論文  参考訳（メタデータ） (2025-07-20T17:59:14Z)
• Probabilistic Quantum SVM Training on Ising Machine [2.44505480142099]
  我々はコヒーレントイジングマシン(CIM)に適した確率論的量子SVMトレーニングフレームワークを提案する。 我々はバッチ処理とマルチバッチアンサンブル戦略を採用し、小規模の量子デバイスがより大きなデータセット上でSVMをトレーニングできるようにする。 本手法は,バイナリおよびマルチクラスデータセットのシミュレーションおよび実機実験により検証する。
  論文  参考訳（メタデータ） (2025-03-20T17:20:26Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Improving Convergence for Quantum Variational Classifiers using Weight Re-Mapping [60.086820254217336]
  近年、量子機械学習は変分量子回路(VQC)の利用が大幅に増加した。 重みを2pi$の間隔に不明瞭にマッピングするために、VQCの重み再マッピングを導入する。 修正されていないウェイトを用いて、Wineデータセットの重量再マッピングにより、テスト精度が10%向上したことを実証した。
  論文  参考訳（メタデータ） (2022-12-22T13:23:19Z)
• Variational Quantum Approximate Support Vector Machine With Inference Transfer [0.8057006406834467]
  複素データの超線形分類のためのカーネルベースの量子機械学習手法を提案する。 サポートベクトルマシンは、量子回路上で本質的にかつ明示的に実現することができる。 虹彩データ分類の精度は98.8%に達した。
  論文  参考訳（メタデータ） (2022-06-29T09:56:59Z)
• Handling Imbalanced Classification Problems With Support Vector Machines via Evolutionary Bilevel Optimization [73.17488635491262]
  サポートベクトルマシン(SVM)は、バイナリ分類問題に対処する一般的な学習アルゴリズムである。 この記事では、EBCS-SVMについて紹介する。
  論文  参考訳（メタデータ） (2022-04-21T16:08:44Z)
• Quantum Machine Learning Framework for Virtual Screening in Drug Discovery: a Prospective Quantum Advantage [0.0]
  量子統合ワークフローは、最先端の古典的アルゴリズムと比較して有意義な優位性が得られることを示す。 また、ADRB2およびCOVID-19データセットを用いてIBM Quantumプロセッサ上でアルゴリズムをテストし、ハードウェアシミュレーションが予測された性能と一致し、古典的な等価性を上回る結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-04-08T12:05:27Z)
• Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
  サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。 我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。 このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
  論文  参考訳（メタデータ） (2021-02-23T20:22:56Z)
• On Coresets for Support Vector Machines [61.928187390362176]
  coresetは、元のデータポイントの小さな、代表的なサブセットである。 我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-15T23:25:12Z)

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。