論文の概要: Learning Reduced Representations for Quantum Classifiers

• arxiv url: http://arxiv.org/abs/2512.01509v1
• Date: Mon, 01 Dec 2025 10:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.804753
• Title: Learning Reduced Representations for Quantum Classifiers
• Title（参考訳）: 量子分類器における還元表現の学習
• Authors: Patrick Odagiu, Vasilis Belis, Lennart Schulze, Panagiotis Barkoutsos, Michele Grossi, Florentin Reiter, Günther Dissertori, Ivano Tavernelli, Sofia Vallecorsa,
• Abstract要約: 量子支援ベクトルマシンをトレーニングするために,粒子物理データセットに次元還元法を適用した。 オートエンコーダ法は,設計手法であるシンククラスオートエンコーダを用いて,より低次元なデータ表現を学習し,ベースラインよりも40%高い性能を示した。
• 参考スコア（独自算出の注目度）: 1.4446723310060385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data sets that are specified by a large number of features are currently outside the area of applicability for quantum machine learning algorithms. An immediate solution to this impasse is the application of dimensionality reduction methods before passing the data to the quantum algorithm. We investigate six conventional feature extraction algorithms and five autoencoder-based dimensionality reduction models to a particle physics data set with 67 features. The reduced representations generated by these models are then used to train a quantum support vector machine for solving a binary classification problem: whether a Higgs boson is produced in proton collisions at the LHC. We show that the autoencoder methods learn a better lower-dimensional representation of the data, with the method we design, the Sinkclass autoencoder, performing 40% better than the baseline. The methods developed here open up the applicability of quantum machine learning to a larger array of data sets. Moreover, we provide a recipe for effective dimensionality reduction in this context.
• Abstract（参考訳）: 多数の機能によって指定されたデータセットは、現在、量子機械学習アルゴリズムの適用範囲外である。 この問題に対する直接的な解決策は、データを量子アルゴリズムに渡す前に次元還元法を適用することである。 67個の特徴量を持つ粒子物理データセットに対して,従来の特徴量抽出アルゴリズムと5つの自己エンコーダに基づく次元性低減モデルについて検討した。 これらのモデルによって生成された縮小表現は、二項分類問題(LHCにおける陽子衝突でヒッグス粒子が生成されるかどうか)を解決するために量子支援ベクトルマシンを訓練するために使用される。 オートエンコーダ法は,設計手法であるシンククラスオートエンコーダを用いて,より低次元なデータ表現を学習し,ベースラインよりも40%高い性能を示した。 ここで開発された手法は、量子機械学習の適用性を、より大きなデータセットに開放する。 さらに,本稿では,この文脈における効果的な次元性低減のためのレシピを提供する。

関連論文リスト

• Influence of Data Dimensionality Reduction Methods on the Effectiveness of Quantum Machine Learning Models [0.3437656066916039]
  データ削減手法が異なる量子機械学習モデルにどのように影響するかを分析する。 以上の結果から,データ次元削減手法の使用により,スキュードな性能測定値が得られるという結論が得られた。
  論文  参考訳（メタデータ） (2025-11-05T09:34:12Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Enhancing the performance of Variational Quantum Classifiers with hybrid autoencoders [0.0]
  本稿では,特定の量子埋め込みを考慮し,与えられたデータセットの次元性を低減する方法を提案する。 この方法は、VQCを用いた量子機械学習をより汎用的で高次元のデータセットに効果的にすることを目的としている。
  論文  参考訳（メタデータ） (2024-09-05T08:51:20Z)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Guided Quantum Compression for High Dimensional Data Classification [0.0]
  量子機械学習は、データ分析に根本的に異なるアプローチを提供する。 本稿では,量子分類モデルを用いて次元削減タスクを統一する古典量子パラダイムを設計する。 本稿では,このアーキテクチャが従来の量子機械学習手法よりも優れていることを実証する。
  論文  参考訳（メタデータ） (2024-02-14T19:01:51Z)
• 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)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Quantum Dimensionality Reduction by Linear Discriminant Analysis [14.671957651032638]
  データの次元性低減(DR)は、パターン認識やデータ分類など、多くの機械学習タスクにおいて重要な問題である。 本稿では,次元減少のための線形判別分析(LDA)を効率的に行う量子アルゴリズムと量子回路を提案する。
  論文  参考訳（メタデータ） (2021-03-04T16:06:30Z)

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。