論文の概要: Benchmarking Quantum Kernels Across Diverse and Complex Data

• arxiv url: http://arxiv.org/abs/2511.10831v1
• Date: Thu, 13 Nov 2025 22:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.344563
• Title: Benchmarking Quantum Kernels Across Diverse and Complex Data
• Title（参考訳）: 異なるデータと複雑なデータにわたる量子カーネルのベンチマーク
• Authors: Yuhan Jiang, Matthew Otten,
• Abstract要約: 複雑な分類タスクのための変分量子カーネルフレームワークを開発した。 8つの挑戦的、現実的、高次元のデータセットのベンチマークを実施します。 この研究は、適切に設計された量子カーネルが汎用的で高性能なツールとして機能することを実証している。
• 参考スコア（独自算出の注目度）: 2.118455551237009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum kernel methods are a promising branch of quantum machine learning, yet their practical advantage on diverse, high-dimensional, real-world data remains unverified. Current research has largely been limited to low-dimensional or synthetic datasets, preventing a thorough evaluation of their potential. To address this gap, we developed a variational quantum kernel framework utilizing resource-efficient ansätze for complex classification tasks and introduced a parameter scaling technique to accelerate convergence. We conducted a comprehensive benchmark of this framework on eight challenging, real world and high-dimensional datasets covering tabular, image, time series, and graph data. Our classically simulated results show that the proposed quantum kernel demonstrated a clear performance advantage over standard classical kernels, such as the radial basis function (RBF) kernel. This work demonstrates that properly designed quantum kernels can function as versatile, high-performance tools, laying a foundation for quantum-enhanced applications in real-world machine learning. Further research is needed to fully assess the practical quantum advantage.
• Abstract（参考訳）: 量子カーネル法は量子機械学習の有望な分野であるが、多様で高次元の実世界のデータに対する実用的優位性は証明されていない。 現在の研究は、主に低次元または合成データセットに限られており、その可能性の徹底的な評価を妨げている。 このギャップに対処するために、複雑な分類タスクに資源効率の良いアンセッツェを利用する変分量子カーネルフレームワークを開発し、収束を加速するパラメータスケーリング手法を導入した。 このフレームワークの総合的なベンチマークを,表,画像,時系列,グラフデータを含む8つの挑戦的,現実的,高次元のデータセット上で実施した。 古典的シミュレーションにより,提案した量子カーネルは,放射基底関数(RBF)カーネルなど,標準の古典的カーネルに対して明確な性能上の優位性を示した。 この研究は、適切に設計された量子カーネルが汎用的で高性能なツールとして機能することを示し、現実世界の機械学習における量子強化アプリケーションの基礎を築いた。 実用的な量子優位性を十分に評価するためには、さらなる研究が必要である。

関連論文リスト

• A Resource Efficient Quantum Kernel [0.6299766708197881]
  本研究では,高次元データを扱うために設計された量子特徴写像を導入し,量子ビット数とエンタングリング演算を著しく削減した。 本手法は計算効率を向上しながら重要なデータ特性を保っている。 我々の発見は、近い将来の量子コンピューティングプラットフォーム上で量子機械学習アルゴリズムを実践するための有望な道を開いた。
  論文  参考訳（メタデータ） (2025-07-04T16:12:57Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクの文脈における量子カーネル法に焦点を当てる。 量子カーネル推定(QKE)と量子カーネル訓練(QKT)の性能を2つの量子特徴写像と関連づけて検討する。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• Coreset selection can accelerate quantum machine learning models with provable generalization [6.733416056422756]
  量子ニューラルネットワーク(QNN)と量子カーネルは、量子機械学習の領域において顕著な存在である。 我々は、QNNと量子カーネルのトレーニングを高速化することを目的とした、コアセット選択という統一的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T08:59:46Z)
• Higher-order topological kernels via quantum computation [68.8204255655161]
  トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。 本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
  論文  参考訳（メタデータ） (2023-07-14T14:48:52Z)
• 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)
• 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)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。