論文の概要: Quantum Masked Autoencoders for Vision Learning

• arxiv url: http://arxiv.org/abs/2511.17372v1
• Date: Fri, 21 Nov 2025 16:37:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.11354
• Title: Quantum Masked Autoencoders for Vision Learning
• Title（参考訳）: ビジョン学習のための量子マスク型オートエンコーダ
• Authors: Emma Andrews, Prabhat Mishra,
• Abstract要約: 量子状態におけるデータサンプルの欠落した特徴を学習できる量子マスク型オートエンコーダを提案する。 我々のアーキテクチャは、マスクされた画像の特徴を学習し、MNIST画像の視覚的忠実度を改善して、マスクされた入力画像を再構成することができる。
• 参考スコア（独自算出の注目度）: 2.6713452353326717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classical autoencoders are widely used to learn features of input data. To improve the feature learning, classical masked autoencoders extend classical autoencoders to learn the features of the original input sample in the presence of masked-out data. While quantum autoencoders exist, there is no design and implementation of quantum masked autoencoders that can leverage the benefits of quantum computing and quantum autoencoders. In this paper, we propose quantum masked autoencoders (QMAEs) that can effectively learn missing features of a data sample within quantum states instead of classical embeddings. We showcase that our QMAE architecture can learn the masked features of an image and can reconstruct the masked input image with improved visual fidelity in MNIST images. Experimental evaluation highlights that QMAE can significantly outperform (12.86% on average) in classification accuracy compared to state-of-the-art quantum autoencoders in the presence of masks.
• Abstract（参考訳）: 古典的オートエンコーダは入力データの特徴を学習するために広く使われている。 特徴学習を改善するために、古典的なマスク付きオートエンコーダは古典的なオートエンコーダを拡張し、マスクアウトデータの存在下で元の入力サンプルの特徴を学習する。 量子オートエンコーダは存在するが、量子コンピューティングと量子オートエンコーダの利点を利用する量子マスクオートエンコーダの設計と実装は存在しない。 本稿では,古典的な埋め込みではなく,量子状態におけるデータサンプルの欠落した特徴を効果的に学習できる量子マスク型オートエンコーダ(QMAE)を提案する。 我々のQMAEアーキテクチャは、画像のマスクされた特徴を学習し、MNIST画像の視覚的忠実度を改善してマスクされた入力画像を再構成できることを示します。 実験による評価では、QMAEはマスクの存在下での最先端の量子オートエンコーダと比較して、分類精度において著しく優れている(平均で12.86%)。

関連論文リスト

• Fidelity-Preserving Quantum Encoding for Quantum Neural Networks [2.9621136443259872]
  既存の符号化方式は、ノイズ中間スケール量子NISQデバイスの限られた量子ビットに高次元画像を適用する際に、空間情報や意味情報を破棄する。 本稿では、ほぼロスレスなデータ圧縮と量子符号化を行うフィデリティ保存量子保存フレームワークを提案する。 実験の結果、FPQEはMNISTのような単純なデータセットの従来の手法と相容れない性能を示し、より複雑なデータセットの明確な改善を実現している。
  論文  参考訳（メタデータ） (2025-11-19T11:44:39Z)
• A Qubit-Efficient Hybrid Quantum Encoding Mechanism for Quantum Machine Learning [11.861417859173859]
  量子主測地解析(Quantum principal Geodesic Analysis, QPGA)は、次元の減少と量子ビット効率の符号化のための非可逆的手法である。 我々は、qPGAは量子およびハイブリッドオートエンコーダよりも局所構造を効率的に保存することを示した。 下流のQML分類タスクでは、qPGAは99%以上の精度を達成でき、MNISTとFashion-MNISTのF1スコアは量子依存ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-24T03:09:16Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Delegated variational quantum algorithms based on quantum homomorphic encryption [69.50567607858659]
  変分量子アルゴリズム(VQA)は、量子デバイス上で量子アドバンテージを達成するための最も有望な候補の1つである。 クライアントのプライベートデータは、そのような量子クラウドモデルで量子サーバにリークされる可能性がある。 量子サーバが暗号化データを計算するための新しい量子ホモモルフィック暗号(QHE)スキームが構築されている。
  論文  参考訳（メタデータ） (2023-01-25T07:00:13Z)
• Quantum Error Correction with Quantum Autoencoders [0.0]
  量子ニューラルネットワークをトレーニングして,能動的検出と誤り訂正のための最適な戦略を学習する方法を示す。 量子オートエンコーダの復号化能力は、特定の状態の保護に限らず、論理的コード空間全体に拡張されることを強調した。
  論文  参考訳（メタデータ） (2022-02-01T16:55:14Z)
• Anomaly detection in high-energy physics using a quantum autoencoder [0.0]
  LHCにおける異常検出問題に対する変分量子回路に基づく量子オートエンコーダについて検討する。 QCD $tbart$ 背景および共鳴重ヒッグス信号に対して、単純な量子オートエンコーダは古典的オートエンコーダよりも優れており、非常に効率的に訓練することができる。 このことは、量子オートエンコーダが将来のLHCにおける高エネルギー物理データを解析するための良い候補であることを示している。
  論文  参考訳（メタデータ） (2021-12-09T14:38:14Z)
• Masked Autoencoders Are Scalable Vision Learners [60.97703494764904]
  Masked Autoencoders (MAE) は、コンピュータビジョンのためのスケーラブルな自己教師型学習システムである。 我々は入力画像のランダムなパッチを隠蔽し、欠落したピクセルを再構成する。 これら2つの設計を結合することで,大規模モデルを効率的かつ効率的にトレーニングすることが可能になります。
  論文  参考訳（メタデータ） (2021-11-11T18:46:40Z)
• Facial Expression Recognition on a Quantum Computer [68.8204255655161]
  量子機械学習手法を用いて表情認識の可能な解を示す。 適切に定義された量子状態の振幅に符号化されたグラフの隣接行列を操作する量子回路を定義する。
  論文  参考訳（メタデータ） (2021-02-09T13:48:00Z)
• Noise-Assisted Quantum Autoencoder [7.33811357166334]
  以前の量子オートエンコーダは、ハイランク混合状態の圧縮と回復に失敗した。 本稿では,ノイズ支援型量子オートエンコーダアルゴリズムを提案する。 純状態アンサンブル圧縮には、投影された量子オートエンコーダアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-12-15T14:39:06Z)

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。