論文の概要: Dual-Qubit Hierarchical Fuzzy Neural Network for Image Classification: Enabling Relational Learning via Quantum Entanglement

• arxiv url: http://arxiv.org/abs/2512.13274v1
• Date: Mon, 15 Dec 2025 12:35:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.659328
• Title: Dual-Qubit Hierarchical Fuzzy Neural Network for Image Classification: Enabling Relational Learning via Quantum Entanglement
• Title（参考訳）: 画像分類のためのデュアルクビット階層型ファジィニューラルネットワーク:量子絡み合いによる関係学習の実現
• Authors: Wenwei Zhang, Jintao Wang, Tianyu Ye, Changgeng Liao,
• Abstract要約: 本稿では,2量子階層型ファジィニューラルネットワーク(DQ-HFNN)を提案する。 一対の絡み合った量子ビットに特徴対をエンコードし、単一のファジィモデルをジョイントファジィ表現に拡張する。 ノイズのある条件下での実験では、ノイズに対して堅牢であり、ノイズの多い中間スケールの量子デバイスに実装される可能性があることが示唆されている。
• 参考スコア（独自算出の注目度）: 27.317371900372127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classical deep neural network models struggle to represent data uncertainty and capture dependencies between features simultaneously, especially under fuzzy or noisy conditions. Although a quantum-assisted hierarchical fuzzy neural network (QA-HFNN) was proposed to learn fuzzy membership for each feature, it cannot model dependencies between features due to its single-qubit encoding. To address this, this paper proposes a dual-qubit hierarchical fuzzy neural network (DQ-HFNN), encoding feature pairs onto a pair of entangled qubits, which extends the single-feature fuzzy model to a joint fuzzy representation. By introducing quantum entanglement, the dual-qubit circuit can encode non-classical correlations, enabling the model to directly learn relationship patterns between feature pairs. Experiments on benchmarks show that DQ-HFNN demonstrates higher classification accuracy than QA-HFNN, as well as classical deep learning baselines. Furthermore, ablation studies after controlling for circuit depth and parameter counts show that the performance gain mainly stems from the relational modeling capability enabled by entanglement rather than enhanced expressivity. The proposed DQ-HFNN model exhibits high parameter efficiency and fast inference speed. Experiments under noisy conditions suggest that it is robust against noise and has the potential to be implemented on noisy intermediate-scale quantum devices.
• Abstract（参考訳）: 古典的なディープニューラルネットワークモデルは、特にファジィまたはノイズの多い条件下で、データの不確実性を表現し、機能間の依存関係を同時にキャプチャするのに苦労する。 量子支援型階層型ファジィニューラルネットワーク(QA-HFNN)が提案され、各特徴のファジィメンバシップを学習するが、その単一量子ビット符号化による特徴間の依存性をモデル化することはできない。 そこで本論文では,2元量子ビット階層型ファジィニューラルネットワーク(DQ-HFNN)を提案し,一対の絡み合った量子ビットに特徴ペアを符号化し,単一機能ファジィモデルを結合ファジィ表現に拡張する。 量子絡み合いを導入することで、デュアルキュービット回路は古典的でない相関を符号化し、モデルが特徴対間の関係パターンを直接学習することができる。 ベンチマーク実験により、DQ-HFNNは古典的なディープラーニングベースラインだけでなく、QA-HFNNよりも高い分類精度を示すことが示された。 さらに,回路深度およびパラメータ数制御後のアブレーション実験では,性能向上は主に,表現性の向上よりも絡み合いによって実現される関係モデリング能力に起因していることが示された。 提案したDQ-HFNNモデルは高いパラメータ効率と高速な推論速度を示す。 ノイズのある条件下での実験では、ノイズに対して堅牢であり、ノイズの多い中間スケールの量子デバイスに実装される可能性があることが示唆されている。

関連論文リスト

• Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction [0.8957579200590984]
  アフィニティ予測に関わる高性能な要求と膨大なデータセットは、ますます大きなAIモデルを必要としている。 これらの課題に対する有望な解決策として量子機械学習が登場した。 本研究では、非線形関数を近似する能力を実証的に示すハイブリッド量子ニューラルネットワーク(HQNN)を提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:20:21Z)
• HQFNN: A Compact Quantum-Fuzzy Neural Network for Accurate Image Classification [0.3595507621009123]
  高量子化ファジィニューラルネットワーク(HQFNN)は、量子信号を軽量CNN特徴抽出器に結合する。 HQFNNは、古典的でファジィで量子のみのベースラインを一貫して超越している。 ゲートカウント解析は、回路深さが入力次元と直交的に増加することを示している。
  論文  参考訳（メタデータ） (2025-06-11T09:12:20Z)
• Lean classical-quantum hybrid neural network model for image classification [12.353900068459446]
  本稿では,変分回路の4層のみを用いて,効率的な分類性能を実現するLan Classical-Quantum Hybrid Neural Network (LCQHNN)を提案する。 我々の実験は、LCQHNNがMNIST、FashionMNIST、CIFAR-10データセットの100%、99.02%、85.55%の分類精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-12-03T00:37:11Z)
• Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
  量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。 適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。 本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
  論文  参考訳（メタデータ） (2024-02-01T15:13:26Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• On the eigenvector bias of Fourier feature networks: From regression to solving multi-scale PDEs with physics-informed neural networks [0.0]
  ニューラルネットワーク(PINN)は、目標関数を近似する場合には、高周波またはマルチスケールの特徴を示す。 マルチスケールなランダムな観測機能を備えた新しいアーキテクチャを構築し、そのような座標埋め込み層が堅牢で正確なPINNモデルにどのように結びつくかを正当化します。
  論文  参考訳（メタデータ） (2020-12-18T04:19:30Z)
• Decentralizing Feature Extraction with Quantum Convolutional Neural Network for Automatic Speech Recognition [101.69873988328808]
  特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。 入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。 対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。 符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
  論文  参考訳（メタデータ） (2020-10-26T03:36:01Z)

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。