論文の概要: QSMOTE-PGM/kPGM: QSMOTE Based PGM and kPGM for Imbalanced Dataset Classification

• arxiv url: http://arxiv.org/abs/2512.16960v1
• Date: Thu, 18 Dec 2025 07:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.124846
• Title: QSMOTE-PGM/kPGM: QSMOTE Based PGM and kPGM for Imbalanced Dataset Classification
• Title（参考訳）: QSMOTE-PGM/kPGM:不均衡データセット分類のためのQSMOTEベースのPGMとkPGM
• Authors: Bikash K. Behera, Giuseppe Sergioli, Robert Giuntini,
• Abstract要約: 我々は、カーネル化されたPGM(KPGM)と直接的なPGMベースの分類器の開発の上に構築する。 量子SMOTE (Quantum SMOTE) 変種を用いて, 合成オーバーサンプリングシナリオ間での性能を解析した。
• 参考スコア（独自算出の注目度）: 0.5505634045241289
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum-inspired machine learning (QiML) leverages mathematical frameworks from quantum theory to enhance classical algorithms, with particular emphasis on inner product structures in high-dimensional feature spaces. Among the prominent approaches, the Kernel Trick, widely used in support vector machines, provides efficient similarity computation, while the Pretty Good Measurement (PGM), originating from quantum state discrimination, enables classification grounded in Hilbert space geometry. Building on recent developments in kernelized PGM (KPGM) and direct PGM-based classifiers, this work presents a unified theoretical and empirical comparison of these paradigms. We analyze their performance across synthetic oversampling scenarios using Quantum SMOTE (QSMOTE) variants. Experimental results show that both PGM and KPGM classifiers consistently outperform a classical random forest baseline, particularly when multiple quantum copies are employed. Notably, PGM with stereo encoding and n_copies=2 achieves the highest overall accuracy (0.8512) and F1-score (0.8234), while KPGM demonstrates competitive and more stable behavior across QSMOTE variants, with top scores of 0.8511 (stereo) and 0.8483 (amplitude). These findings highlight that quantum-inspired classifiers not only provide tangible gains in recall and balanced performance but also offer complementary strengths: PGM benefits from encoding-specific enhancements, whereas KPGM ensures robustness across sampling strategies. Our results advance the understanding of kernel-based and measurement-based QiML methods, offering practical guidance on their applicability under varying data characteristics and computational constraints.
• Abstract（参考訳）: 量子インスパイアされた機械学習(QiML)は、量子理論の数学的フレームワークを活用して古典的アルゴリズムを強化し、特に高次元の特徴空間における内積構造に重点を置いている。 サポートベクトルマシンで広く使われているケルネルトリックは、量子状態の識別から派生したPGM(Pretty Good Measurement)がヒルベルト空間幾何学に基づく分類を可能にしているのに対し、効率的な類似性計算を提供する。 カーネル化されたPGM(KPGM)と直接PGMに基づく分類器の最近の発展に基づいて、この研究はこれらのパラダイムの統一された理論的および実証的な比較を示す。 量子SMOTE (Quantum SMOTE) 変種を用いて, 合成オーバーサンプリングシナリオ間での性能を解析した。 実験の結果、PGMとKPGMの分類器は、古典的なランダムな森林の基準線、特に複数の量子コピーが採用されている場合、一貫して上回っていることがわかった。 特に、ステレオ符号化とn_copies=2のPGMは、最高総合精度(0.8512)とF1スコア(0.8234)を達成し、一方KPGMはQSMOTEの変種間の競争的かつより安定した振る舞いを示し、トップスコアは0.8511(ステレオ)と0.8483(振幅)である。 これらの知見は、量子インスパイアされた分類器は、リコールとバランスの取れた性能において具体的な利得を提供するだけでなく、補完的な強みももたらすことを強調している: PGMはエンコーディング固有の拡張の恩恵を受け、一方KPGMはサンプリング戦略全体の堅牢性を保証する。 本研究では,カーネルベースおよび計測ベースのQiML手法の理解を深め,データ特性や計算制約の異なる適用性に関する実践的なガイダンスを提供する。

関連論文リスト

• Quantum Reinforcement Learning-Guided Diffusion Model for Image Synthesis via Hybrid Quantum-Classical Generative Model Architectures [2.005299372367689]
  本稿では,各段階でCFGを動的に調整するQRL(quantum reinforcement learning)コントローラを提案する。 コントローラは、ハイブリッド量子-古典的アクター-批判的アーキテクチャを採用する。 CIFAR-10の実験は、QRLポリシーが知覚品質を改善することを示した。
  論文  参考訳（メタデータ） (2025-09-17T16:47:04Z)
• Attribute Fusion-based Classifier on Framework of Belief Structure [46.24928730489845]
  Dempster-Shafer Theory (DST)は、不確実性をモデリングするための強力なフレームワークを提供し、多属性分類タスクに広く適用されてきた。 従来のDSTに基づく属性融合型分類器は、単純化されたメンバーシップ関数モデリングと基本確率割当(BPA)による信念構造の限定的活用に悩まされている。 本稿では,2つの重要なイノベーションを通じて,これらの制限に対処する属性融合型分類器を提案する。
  論文  参考訳（メタデータ） (2025-08-31T09:05:15Z)
• 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)
• Quantize What Counts: More for Keys, Less for Values [63.51476878610841]
  大規模言語モデル(LLM)は、キーバリュー(KV)キャッシュに支配される推論時のメモリボトルネックに悩まされる。 本稿ではトランスフォーマーモデルの内在幾何学における混合精度KV量子化を固定する2つの定理を提案する。
  論文  参考訳（メタデータ） (2025-02-20T22:24:27Z)
• Integrating Machine Learning and Quantum Circuits for Proton Affinity Predictions [0.0]
  ガス相では、陽子親和性(PA)測定により陽子生成部位が決定される。 機械学習(ML)モデルと組み合わせて,複数記述子を用いてPA予測を高速かつ高精度に行う手法を開発した。 その結果,R2は0.96,MAEは2.47kcal/mol,MAEは2.47kcal/molであった。
  論文  参考訳（メタデータ） (2024-11-26T20:13:56Z)
• Projective Quantum Eigensolver with Generalized Operators [0.0]
  PQEフレームワークにおける閉形式残留方程式の観点から一般化作用素を決定する手法を開発する。 いくつかの分子系への応用により、アンザッツは単体、二重体、三重体を含む(異方性)UCCと同様の精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2024-10-21T15:40:22Z)
• 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)
• 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)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)

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。