論文の概要: QIBONN: A Quantum-Inspired Bilevel Optimizer for Neural Networks on Tabular Classification

• arxiv url: http://arxiv.org/abs/2511.08940v1
• Date: Thu, 13 Nov 2025 01:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.316024
• Title: QIBONN: A Quantum-Inspired Bilevel Optimizer for Neural Networks on Tabular Classification
• Title（参考訳）: QIBONN: タブラル分類に基づくニューラルネットワークのための量子インスパイアされたバイレベル最適化
• Authors: Pedro Chumpitaz-Flores, My Duong, Ying Mao, Kaixun Hua,
• Abstract要約: Quantum-Inspired Bilevel for Neural Networksは、quベースの統一表現をエンコードするバイレベルフレームワークである。 我々は、QIBONNが一定の予算の下での探索と搾取のバランスを保っていることを示す。 13の実世界のデータセットの結果は、QIBONNが確立された手法と競合していることを示している。
• 参考スコア（独自算出の注目度）: 3.4129039170001314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperparameter optimization (HPO) for neural networks on tabular data is critical to a wide range of applications, yet it remains challenging due to large, non-convex search spaces and the cost of exhaustive tuning. We introduce the Quantum-Inspired Bilevel Optimizer for Neural Networks (QIBONN), a bilevel framework that encodes feature selection, architectural hyperparameters, and regularization in a unified qubit-based representation. By combining deterministic quantum-inspired rotations with stochastic qubit mutations guided by a global attractor, QIBONN balances exploration and exploitation under a fixed evaluation budget. We conduct systematic experiments under single-qubit bit-flip noise (0.1\%--1\%) emulated by an IBM-Q backend. Results on 13 real-world datasets indicate that QIBONN is competitive with established methods, including classical tree-based methods and both classical/quantum-inspired HPO algorithms under the same tuning budget.
• Abstract（参考訳）: グラフデータ上のニューラルネットワークのためのハイパーパラメータ最適化(HPO)は、幅広いアプリケーションにとって重要であるが、大規模な非凸探索空間と徹底的なチューニングコストのため、依然として困難である。 本稿では,QIBONN(Quantum-Inspired Bilevel Optimizer for Neural Networks)について紹介する。 QIBONNは、決定論的量子インスパイアされた回転と、グローバルな誘引者によって導かれる確率的量子ビット変異を組み合わせることで、一定の評価予算の下で探索と利用のバランスをとる。 我々は、IBM-Qバックエンドでエミュレートされた単一量子ビットフリップ雑音(0.1\%--1\%)の下で、系統的な実験を行う。 13の実世界のデータセットの結果から、QIBONNは古典的木に基づく手法や、古典的/量子的にインスパイアされたHPOアルゴリズムなど、同じチューニング予算の下で確立された手法と競合していることが示された。

関連論文リスト

• Hybrid quantum-classical algorithm for near-optimal planning in POMDPs [39.682133213072554]
  強化学習(Reinforcement Learning, RL)は、部分的に観察可能な環境における意思決定のための原則的な枠組みを提供する。 近年の進歩は、振幅増幅と組み合わせた量子リジェクションサンプリングにより、スパースベイズネットワークでの推論を加速できることを実証している。 本稿では,量子ベイズ強化学習(Quantum Bayesian Reinforcement Learning, QBRL)を紹介する。
  論文  参考訳（メタデータ） (2025-07-24T17:42:30Z)
• Selective Feature Re-Encoded Quantum Convolutional Neural Network with Joint Optimization for Image Classification [3.8876018618878585]
  量子畳み込みニューラルネットワーク(QCNN)は、量子データと古典データの両方を分類する有望な結果を実証している。 本研究では,特徴処理の高度化と分類精度向上のためのQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-02T18:51:56Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• QSVM-QNN: Quantum Support Vector Machine Based Quantum Neural Network Learning Algorithm for Brain-Computer Interfacing Systems [3.057222561438637]
  脳コンピュータインタフェース(BCI)システムは、脳と外部デバイス間の直接通信を可能にする。 進歩にもかかわらず、BCIシステムは、信号の可変性、分類の非効率性、個々のユーザにリアルタイムで適応することの難しさなど、永続的な課題に直面している。 我々は,脳波に基づくBCIタスクの分類精度とロバスト性を改善するために,QSVM-QNNと呼ばれる新しいハイブリッド量子学習モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-20T10:48:44Z)
• HiQ-Lip: The First Quantum-Classical Hierarchical Method for Global Lipschitz Constant Estimation of ReLU Networks [2.44505480142099]
  ニューラルネットワークのグローバルリプシッツ定数の推定は、その堅牢性と一般化能力の理解と改善に不可欠である。 我々は,コヒーレントイジングマシン(CIM)を利用したハイブリッド量子古典的階層法である textbfHiQ-Lip を提案し,大域リプシッツ定数を推定する。
  論文  参考訳（メタデータ） (2025-03-20T16:58:40Z)
• Foundation Neural-Networks Quantum States as a Unified Ansatz for Multiple Hamiltonians [39.47297975798672]
  Foundation Neural-Network Quantum States (FNQS)は、量子多体システムを研究するための統合パラダイムである。 FNQSは基礎モデルの鍵となる原理を活用し、単一の汎用アーキテクチャに基づいて変動波動関数を定義する。 FNQSは、訓練中に遭遇した以上の物理ハミルトニアンに一般化することができる。
  論文  参考訳（メタデータ） (2025-02-13T16:52:07Z)
• Hybrid Tree Tensor Networks for quantum simulation [0.0]
  ハイブリッドツリーネットワーク(hTTN)を用いた基底状態最適化のための新しいアルゴリズムを提案する。 我々は、hTTNsが古典的部分における等しい結合次元を持つ古典的等価性を改善することができることを示した。
  論文  参考訳（メタデータ） (2024-04-08T18:00:00Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。