Fugu-MT 論文翻訳(概要): Practical Quantum-Classical Feature Fusion for complex data Classification

論文の概要: Practical Quantum-Classical Feature Fusion for complex data Classification

arxiv url: http://arxiv.org/abs/2512.19180v1
Date: Mon, 22 Dec 2025 09:16:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-23 18:54:32.688088
Title: Practical Quantum-Classical Feature Fusion for complex data Classification
Title（参考訳）: 複雑なデータ分類のための実用的量子古典的特徴融合
Authors: Azadeh Alavi, Fatemeh Kouchmeshki, Abdolrahman Alavi,
Abstract要約: ハイブリッド量子と古典学習は、古典的ニューラルネットワークの堅牢性と量子特徴写像を結合することを目的としている。本稿では,ハイブリッド学習のマルチモーダルな定式化について述べる。本研究では, ワイン, 乳がん, 森林被覆タイプ, ファッションMNIST, スティールプランツフォールトについて, 量子オントモデル, 古典的ベースライン, 残留ハイブリッドモデル, 提案中核融合モデルを比較した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Hybrid quantum and classical learning aims to couple quantum feature maps with the robustness of classical neural networks, yet most architectures treat the quantum circuit as an isolated feature extractor and merge its measurements with classical representations by direct concatenation. This neglects that the quantum and classical branches constitute distinct computational modalities and limits reliable performance on complex, high dimensional tabular and semi structured data, including remote sensing, environmental monitoring, and medical diagnostics. We present a multimodal formulation of hybrid learning and propose a cross attention mid fusion architecture in which a classical representation queries quantum derived feature tokens through an attention block with residual connectivity. The quantum branch is kept within practical NISQ budgets and uses up to nine qubits. We evaluate on Wine, Breast Cancer, Forest CoverType, FashionMNIST, and SteelPlatesFaults, comparing a quantum only model, a classical baseline, residual hybrid models, and the proposed mid fusion model under a consistent protocol. Pure quantum and standard hybrid designs underperform due to measurement induced information loss, while cross attention mid fusion is consistently competitive and improves performance on the more complex datasets in most cases. These findings suggest that quantum derived information becomes most valuable when integrated through principled multimodal fusion rather than used in isolation or loosely appended to classical features.
Abstract（参考訳）: ハイブリッド量子および古典学習は、古典的ニューラルネットワークの堅牢性と量子特徴写像を結合することを目的としているが、ほとんどのアーキテクチャは、量子回路を孤立した特徴抽出器として扱い、直接結合によってその測定を古典的表現とマージする。このことは、量子と古典の分岐が異なる計算モダリティを構成し、リモートセンシング、環境モニタリング、医療診断を含む複雑な高次元の表層および半構造化データの信頼性性能を制限することを無視する。本稿では,ハイブリッド学習のマルチモーダルな定式化を行い,古典的表現クエリによる量子化特徴トークンを,残差接続性のある注目ブロックを介して相互注意する中間融合アーキテクチャを提案する。量子ブランチは、実際のNISQ予算内に保持され、最大9キュービットを使用する。本研究では, ワイン, 乳がん, 森林被覆タイプ, ファッションMNIST, スティールプランツフォールトについて, 量子オントモデル, 古典的ベースライン, 残留ハイブリッドモデル, 提案中核融合モデルとを一貫したプロトコルで比較検討した。純量子および標準ハイブリッド設計は、測定によって引き起こされた情報損失により性能が低下する一方、中間核融合は一貫して競争力があり、ほとんどの場合、より複雑なデータセットの性能を向上させる。これらの結果から、量子導出情報は、分離や古典的特徴へのゆるやかな付加よりも、原理化されたマルチモーダル融合を通じて統合することで最も貴重であることが示唆された。

関連論文リスト

Readout-Side Bypass for Residual Hybrid Quantum-Classical Models [3.609274776085931]
量子機械学習(QML)はコンパクトで表現力のある表現を約束するが、測定ボトルネックに悩まされる。本稿では,分類前の生入力で量子的特徴を確認可能な,軽量な残差ハイブリッドアーキテクチャを提案する。我々のモデルは、低通信コストとプライバシーの堅牢性を保ちながら、量子ベースラインよりも最大で55%精度が向上する。
論文参考訳（メタデータ） (2025-11-25T23:27:53Z)
Quantum-Classical Hybrid Molecular Autoencoder for Advancing Classical Decoding [11.627919867400905]
本稿では,量子符号化と古典的シーケンスモデリングを統合したSMILES再構成のためのハイブリッド量子古典アーキテクチャを提案する。提案手法では, 量子忠実度は約84%, 古典的再構成類似度は60%であり, 既存の量子ベースラインを超えている。
論文参考訳（メタデータ） (2025-08-26T19:39:33Z)
Hybrid Quantum-Classical Learning for Multiclass Image Classification [0.15749416770494704]
そこで本研究では,QCNNを完全連結の古典層に結合したハイブリッド量子古典アーキテクチャを提案する。この方法は、MNIST、Fashion-MNIST、OrganAMNISTで同等の軽量モデルより優れている。これらの結果は、捨てられた量子ビット情報の再利用が将来のハイブリッド量子古典モデルにとって有望なアプローチであることを示している。
論文参考訳（メタデータ） (2025-08-25T16:12:18Z)
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)
Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文参考訳（メタデータ） (2024-02-25T16:57:51Z)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
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)
The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文参考訳（メタデータ） (2022-12-22T16:06:24Z)
Anticipative measurements in hybrid quantum-classical computation [68.8204255655161]
量子計算を古典的な結果によって補う手法を提案する。予測の利点を生かして、新しいタイプの量子測度がもたらされる。予測量子測定では、古典計算と量子計算の結果の組み合わせは最後にのみ起こる。
論文参考訳（メタデータ） (2022-09-12T15:47:44Z)
An end-to-end trainable hybrid classical-quantum classifier [0.0]
量子インスパイアされたテンソルネットワークと変分量子回路を組み合わせて教師付き学習タスクを行うハイブリッドモデルを提案する。このアーキテクチャにより、モデルの古典的および量子的部分を同時にトレーニングすることができ、エンドツーエンドのトレーニングフレームワークを提供する。
論文参考訳（メタデータ） (2021-02-04T05:19:54Z)

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。