論文の概要: Quantum-Enhanced Generative Models for Rare Event Prediction

• arxiv url: http://arxiv.org/abs/2511.02042v1
• Date: Mon, 03 Nov 2025 20:24:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.671617
• Title: Quantum-Enhanced Generative Models for Rare Event Prediction
• Title（参考訳）: 希少事象予測のための量子強化生成モデル
• Authors: M. Z. Haider, M. U. Ghouri, Tayyaba Noreen, M. Salman,
• Abstract要約: 本稿では,変分量子回路に潜伏変数モデルを統合するハイブリッド古典量子フレームワークQuantum-Enhanced Generative Model (QEGM)を提案する。 合成ガウス混合物と,財務,気候,タンパク質構造にまたがる実世界のデータセットのQEGMを評価した。 その結果、QEGMは最先端のベースラインに比べて、尾部KLの分岐を最大50%減少させることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Rare events such as financial crashes, climate extremes, and biological anomalies are notoriously difficult to model due to their scarcity and heavy-tailed distributions. Classical deep generative models often struggle to capture these rare occurrences, either collapsing low-probability modes or producing poorly calibrated uncertainty estimates. In this work, we propose the Quantum-Enhanced Generative Model (QEGM), a hybrid classical-quantum framework that integrates deep latent-variable models with variational quantum circuits. The framework introduces two key innovations: (1) a hybrid loss function that jointly optimizes reconstruction fidelity and tail-aware likelihood, and (2) quantum randomness-driven noise injection to enhance sample diversity and mitigate mode collapse. Training proceeds via a hybrid loop where classical parameters are updated through backpropagation while quantum parameters are optimized using parameter-shift gradients. We evaluate QEGM on synthetic Gaussian mixtures and real-world datasets spanning finance, climate, and protein structure. Results demonstrate that QEGM reduces tail KL divergence by up to 50 percent compared to state-of-the-art baselines (GAN, VAE, Diffusion), while improving rare-event recall and coverage calibration. These findings highlight the potential of QEGM as a principled approach for rare-event prediction, offering robustness beyond what is achievable with purely classical methods.
• Abstract（参考訳）: 金融事故、気候極端、生物異常などの希少な出来事は、その希少さと重い尾の分布のためにモデル化が難しいことで知られている。 古典的な深層生成モデルは、しばしばこれらの稀な現象を捉えるのに苦労する。 本研究では,量子回路に潜時変動モデルを統合するハイブリッド古典量子フレームワークQuantum-Enhanced Generative Model (QEGM)を提案する。 このフレームワークは,(1)復元忠実度とテール認識可能性の両立を両立させるハイブリッド損失関数,(2)サンプルの多様性を高め,モード崩壊を緩和する量子ランダム性駆動ノイズインジェクションの2つの重要なイノベーションを導入している。 トレーニングは、古典的なパラメータがバックプロパゲーションによって更新されるハイブリッドループを通じて進行し、量子パラメータはパラメータシフト勾配を使って最適化される。 合成ガウス混合物と,財務,気候,タンパク質構造にまたがる実世界のデータセットのQEGMを評価した。 その結果、QEGMは最先端ベースライン(GAN, VAE, Diffusion)と比較して、テールKLのばらつきを最大50%低減し、レアイベントリコールとカバーキャリブレーションを改善した。 これらの知見は、QEGMがレアイベント予測の原則的アプローチである可能性を強調し、純粋に古典的な手法で達成可能なもの以上の堅牢性を提供する。

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)
• Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
  生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。 ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。 本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
  論文  参考訳（メタデータ） (2025-09-30T14:02:00Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions [6.699192644249841]
  回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上など、債券投資戦略において重要な役割を担っている。 本稿では,Amplitudeを用いたハイブリッド量子機械学習(QML)モデルを提案する。 我々は1996年から2023年までの1,725の観測結果からなる地球規模の回復率データセット上でモデルを評価した。
  論文  参考訳（メタデータ） (2025-01-27T07:27:23Z)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• Hybrid Quantum-inspired Resnet and Densenet for Pattern Recognition [1.0499611180329804]
  パターン認識のための適応的残差と高密度接続を有する2つのハイブリッド量子インスピレーションニューラルネットワークを提案する。 量子に着想を得た層における正弦関数と正弦関数による勾配爆発を防止するために,我々のハイブリッドモデルの潜在的な優位性を示す。
  論文  参考訳（メタデータ） (2024-03-09T01:34:26Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Quantum Deep Learning for Mutant COVID-19 Strain Prediction [22.182326473943004]
  新型コロナウイルス感染の可能性のある変異(特にスパイクタンパク質)の早期予測は、早期の予防と治療につながる可能性がある。 本稿では,DeepQuantumという開発ツールを提案し,このソフトウェアを用いてスパイクタンパク質の変動構造を予測する。 さらに、このハイブリッド量子古典モデルは、量子にインスパイアされたぼやけた畳み込みを初めて達成した。
  論文  参考訳（メタデータ） (2022-03-04T08:33:28Z)

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。