論文の概要: Enhancing Small Dataset Classification Using Projected Quantum Kernels with Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2601.03375v1
- Date: Tue, 06 Jan 2026 19:21:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-08 18:12:46.066428
- Title: Enhancing Small Dataset Classification Using Projected Quantum Kernels with Convolutional Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた投影量子カーネルによる小さなデータセット分類の実現
- Authors: A. M. A. S. D. Alagiyawanna, Asoka Karunananda, A. Mahasinghe, Thushari Silva,
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像分類における効率と精度において有望な結果を示している。
我々の研究は、CNNの機能抽出を強化するために、投影量子カーネル(PQK)を活用する革新的なアプローチを導入することで、これらの課題に対処する。
1000のトレーニングサンプルで、PQKが強化したCNNは、MNISTデータセットで95%の精度、CIFAR-10データセットで90%の精度を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional Neural Networks (CNNs) have shown promising results in efficiency and accuracy in image classification. However, their efficacy often relies on large, labeled datasets, posing challenges for applications with limited data availability. Our research addresses these challenges by introducing an innovative approach that leverages projected quantum kernels (PQK) to enhance feature extraction for CNNs, specifically tailored for small datasets. Projected quantum kernels, derived from quantum computing principles, offer a promising avenue for capturing complex patterns and intricate data structures that traditional CNNs might miss. By incorporating these kernels into the feature extraction process, we improved the representational ability of CNNs. Our experiments demonstrated that, with 1000 training samples, the PQK-enhanced CNN achieved 95% accuracy on the MNIST dataset and 90% on the CIFAR-10 dataset, significantly outperforming the classical CNN, which achieved only 60% and 12% accuracy on the respective datasets. This research reveals the potential of quantum computing in overcoming data scarcity issues in machine learning and paves the way for future exploration of quantum-assisted neural networks, suggesting that projected quantum kernels can serve as a powerful approach for enhancing CNN-based classification in data-constrained environments.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、画像分類における効率と精度において有望な結果を示している。
しかしながら、その有効性は大きなラベル付きデータセットに依存することが多く、データ可用性に制限のあるアプリケーションには課題がある。
我々の研究は、CNNの機能抽出を強化するために、投影量子カーネル(PQK)を活用する革新的なアプローチを導入することで、これらの課題に対処する。
量子コンピューティングの原則から派生した計画された量子カーネルは、複雑なパターンをキャプチャし、従来のCNNが見逃す可能性のある複雑なデータ構造を実現するための、有望な道を提供する。
これらのカーネルを特徴抽出プロセスに組み込むことで,CNNの表現能力を向上した。
実験の結果,1000個のトレーニングサンプルを用いて,MNISTデータセットで95%,CIFAR-10データセットで90%の精度を達成し,従来のCNNでは60%と12%の精度しか達成できなかった。
この研究は、機械学習におけるデータ不足問題に打ち勝つ量子コンピューティングの可能性を明らかにし、将来量子支援ニューラルネットワークを探索する方法を舗装し、予測された量子カーネルが、データ制約環境におけるCNNベースの分類を強化するための強力なアプローチとして役立つことを示唆している。
関連論文リスト
- Benchmarking Quantum Convolutional Neural Networks for Signal Classification in Simulated Gamma-Ray Burst Detection [29.259008600842517]
本研究は,ガンマ線バースト(GRB)に似た信号の同定に量子畳み込みニューラルネットワーク(QCNN)を用いたことを評価する。
量子シミュレータでトレーニングしたQCNNを用いて,Qiskitフレームワークを用いたハイブリッド量子古典機械学習手法を実装した。
QCNNは時系列データセット上で堅牢な性能を示し,高い精度でGRB信号の検出に成功した。
論文 参考訳（メタデータ） (2025-01-28T16:07:12Z) - 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) - CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳（メタデータ） (2024-08-28T00:56:03Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - A Quantum Convolutional Neural Network Approach for Object Detection and
Classification [0.0]
QCNNの時間と精度は、異なる条件下での古典的なCNNやANNモデルと比較される。
この分析により、QCNNは、特定のアプリケーションにおける精度と効率の点で、古典的なCNNとANNのモデルより優れている可能性が示されている。
論文 参考訳（メタデータ） (2023-07-17T02:38:04Z) - 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) - Quantum-inspired Complex Convolutional Neural Networks [17.65730040410185]
我々は、より豊かな表現能力とより良い非線形性を持つ複素数値重みを利用することにより、量子刺激ニューロンを改善した。
我々は、高次元データを処理できる量子インスパイアされた畳み込みニューラルネットワーク(QICNN)のモデルを描く。
5つのQICNNの分類精度をMNISTとCIFAR-10データセットで検証した。
論文 参考訳（メタデータ） (2021-10-31T03:10:48Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - A Quantum Convolutional Neural Network for Image Classification [7.745213180689952]
量子畳み込みニューラルネットワーク(QCNN)という新しいニューラルネットワークモデルを提案する。
QCNNは実装可能な量子回路に基づいており、古典的畳み込みニューラルネットワークと同様の構造を持つ。
MNISTデータセットの数値シミュレーションにより,本モデルの有効性が示された。
論文 参考訳（メタデータ） (2021-07-08T06:47:34Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳（メタデータ） (2020-02-03T04:11:13Z)
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。