論文の概要: Performance Analysis of Quantum Support Vector Classifiers and Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2512.03094v1
• Date: Mon, 01 Dec 2025 09:36:57 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:55:50.923516
• Title: Performance Analysis of Quantum Support Vector Classifiers and Quantum Neural Networks
• Title（参考訳）: 量子支援ベクトル分類器と量子ニューラルネットワークの性能解析
• Authors: Tomás Villalba-Ferreiro, Eduardo Mosqueira-Rey, Diego Alvarez-Estevez,
• Abstract要約: 本研究では、機械学習タスクの古典モデルと比較して、量子支援ベクトル(QSVC)と量子ニューラルネットワーク(QNN)の性能について検討する。 量子モデルは問題の複雑さが増大するにつれて古典的アプローチを上回る傾向にある。 QNNは、量子負荷の増加により、より複雑度の高いタスクにおいて優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study explores the performance of Quantum Support Vector Classifiers (QSVCs) and Quantum Neural Networks (QNNs) in comparison to classical models for machine learning tasks. By evaluating these models on the Iris and MNIST-PCA datasets, we find that quantum models tend to outperform classical approaches as the problem complexity increases. While QSVCs generally provide more consistent results, QNNs exhibit superior performance in higher-complexity tasks due to their increased quantum load. Additionally, we analyze the impact of hyperparameter tuning, showing that feature maps and ansatz configurations significantly influence model accuracy. We also compare the PennyLane and Qiskit frameworks, concluding that Qiskit provides better optimization and efficiency for our implementation. These findings highlight the potential of Quantum Machine Learning (QML) for complex classification problems and provide insights into model selection and optimization strategies
• Abstract（参考訳）: 本研究では,量子支援ベクトル分類器(QSVC)と量子ニューラルネットワーク(QNN)の性能を,機械学習タスクの古典モデルと比較した。 これらのモデルをIrisおよびMNIST-PCAデータセット上で評価することにより、量子モデルは問題を複雑化するにつれて古典的アプローチよりも優れていることが分かる。 QSVCは一般により一貫性のある結果を提供するが、QNNは量子負荷の増加によりより複雑度の高いタスクにおいて優れた性能を示す。 さらに,ハイパーパラメータチューニングの影響を解析し,特徴写像とアンザッツ構成がモデル精度に有意な影響を及ぼすことを示した。 また、PennyLaneとQiskitのフレームワークを比較し、Qiskitは我々の実装により良い最適化と効率を提供すると結論付けた。 これらの知見は、複雑な分類問題に対する量子機械学習(QML)の可能性を強調し、モデル選択と最適化戦略に関する洞察を提供する。

関連論文リスト

• 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)
• Quantum Neural Networks for Wind Energy Forecasting: A Comparative Study of Performance and Scalability with Classical Models [0.0]
  古典的な機械学習手法の強力な代替手段として量子ニューラルネットワーク(QNN)が登場している。 本研究は,風力タービンの出力予測のためのQNNの詳細な検討を行う。 実験により,QNNが従来のベンチマーク手法と競合する予測性能を達成できることを実証した。
  論文  参考訳（メタデータ） (2025-06-28T10:51:27Z)
• 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)
• Comparative Performance Analysis of Quantum Machine Learning Architectures for Credit Card Fraud Detection [3.5418331252013897]
  本研究では3つのQML分類器の性能に異なる量子特徴写像とアンザッツ構成がどう影響するかを検討する。 VQCは引き続き強力な分類結果を示し、F1スコアは0.88であり、SQNNも有望な結果をもたらす。 対照的に、EQNNは、非標準化されたデータによってもたらされる課題を強調しながら、堅牢な結果を生み出すのに苦労している。
  論文  参考訳（メタデータ） (2024-12-27T04:17:34Z)
• Multi-Scale Feature Fusion Quantum Depthwise Convolutional Neural Networks for Text Classification [3.0079490585515343]
  量子畳み込みに基づく新しい量子ニューラルネットワーク(QNN)モデルを提案する。 我々は、パラメータの数を著しく減らし、計算複雑性を下げる量子深度畳み込みを開発する。 また,単語レベルの特徴と文レベルの特徴を統合することで,モデル性能を向上させるマルチスケール機能融合機構を導入する。
  論文  参考訳（メタデータ） (2024-05-22T10:19:34Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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 circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)
• 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)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。