論文の概要: Feature Entanglement-based Quantum Multimodal Fusion Neural Network

• arxiv url: http://arxiv.org/abs/2601.07856v1
• Date: Fri, 09 Jan 2026 07:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:18.874245
• Title: Feature Entanglement-based Quantum Multimodal Fusion Neural Network
• Title（参考訳）: 特徴エンタングルメントに基づく量子マルチモーダル核融合ニューラルネットワーク
• Authors: Yu Wu, Qianli Zhou, Jie Geng, Xinyang Deng, Wen Jiang,
• Abstract要約: 本稿では,機能的絡み合いに基づく量子マルチモーダル核融合ニューラルネットワークを提案する。 このモデルは、3つのコアコンポーネントで構成されている: 単一モーダル処理のための古典的なフィードフォワードモジュール、解釈可能な量子融合ブロック、そして深い特徴抽出のための量子畳み込みニューラルネットワーク(QCNN)である。 量子の強い表現力を利用することで、マルチモーダル核融合と後処理の複雑さを線形に減らし、融合プロセスは決定レベルの核融合の解釈可能性も持っている。
• 参考スコア（独自算出の注目度）: 18.981374324653455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal learning aims to enhance perceptual and decision-making capabilities by integrating information from diverse sources. However, classical deep learning approaches face a critical trade-off between the high accuracy of black-box feature-level fusion and the interpretability of less outstanding decision-level fusion, alongside the challenges of parameter explosion and complexity. This paper discusses the accuracy-interpretablity-complexity dilemma under the quantum computation framework and propose a feature entanglement-based quantum multimodal fusion neural network. The model is composed of three core components: a classical feed-forward module for unimodal processing, an interpretable quantum fusion block, and a quantum convolutional neural network (QCNN) for deep feature extraction. By leveraging the strong expressive power of quantum, we have reduced the complexity of multimodal fusion and post-processing to linear, and the fusion process also possesses the interpretability of decision-level fusion. The simulation results demonstrate that our model achieves classification accuracy comparable to classical networks with dozens of times of parameters, exhibiting notable stability and performance across multimodal image datasets.
• Abstract（参考訳）: マルチモーダル学習は、多様な情報源の情報を統合することで知覚と意思決定能力を高めることを目的としている。 しかし、古典的なディープラーニングアプローチは、ブラックボックス特徴量融合の高精度化と、パラメータの爆発と複雑性の課題とともに、未解決な決定レベル融合の解釈可能性の間に重要なトレードオフに直面している。 本稿では,量子計算フレームワーク下での精度・解釈・複雑度ジレンマについて論じ,特徴的絡み合いに基づく量子マルチモーダル核融合ニューラルネットワークを提案する。 このモデルは、3つのコアコンポーネントで構成されている: 単一モーダル処理のための古典的なフィードフォワードモジュール、解釈可能な量子融合ブロック、そして深い特徴抽出のための量子畳み込みニューラルネットワーク(QCNN)である。 量子の強い表現力を利用することで、マルチモーダル核融合と後処理の複雑さを線形に減らし、融合プロセスは決定レベル核融合の解釈可能性も持っている。 シミュレーションにより,本モデルが数十倍のパラメータを持つ古典的ネットワークに匹敵する分類精度を達成し,マルチモーダル画像データセットにおける顕著な安定性と性能を示した。

関連論文リスト

• Practical Quantum-Classical Feature Fusion for complex data Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-22T09:16:08Z)
• Practical Hybrid Quantum Language Models with Observable Readout on Real Hardware [0.764671395172401]
  本稿では,ハイブリッド量子言語モデルとして,QRNN(Quantum Recurrent Neural Networks)とQCNN(Quantum Convolutional Neural Networks)を提案する。 我々のアーキテクチャは、ハードウェア最適化パラメトリック量子回路と軽量な古典射影層を組み合わせたものである。 IBM Quantumプロセッサの実験では、回路深さとトレーニング容易性の間の重要なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2025-12-14T14:22:44Z)
• QiNN-QJ: A Quantum-inspired Neural Network with Quantum Jump for Multimodal Sentiment Analysis [11.46663985298648]
  マルチモーダルエンタングルメントモデリングのための量子ジャンプ(QiNN-QJ)を用いた量子インスピレーションニューラルネットワークを提案する。 ハミルトン作用素とリンドブラッド作用素を併用することにより、QiNN-QJは制御可能なクロスモーダル絡みを生成する。 この研究は、絡み合ったマルチモーダル核融合の原理的な枠組みを確立し、複雑な相互モーダル相関をモデル化する量子インスパイアされたアプローチの道を開く。
  論文  参考訳（メタデータ） (2025-10-31T01:25:55Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Expressive and Scalable Quantum Fusion for Multimodal Learning [16.82193084379014]
  提案手法は量子融合層 (Quantum Fusion Layer, QFL) と呼ばれ、古典的な融合スキームをハイブリッドな量子古典的手順で置き換える。 シミュレーションでは、QFLは小さなが多様なマルチモーダルタスクにおいて、強い古典的ベースラインを一貫して上回る。 これらの結果は、QFLがマルチモーダル融合に対する根本的に新しいスケーラブルなアプローチを提供し、より大きなシステムに対するより深い探索に役立つことを示唆している。
  論文  参考訳（メタデータ） (2025-10-08T12:19:44Z)
• 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)
• Outlier-Robust Multi-Model Fitting on Quantum Annealers [29.24367815462826]
  マルチモデルフィッティング(MMF)はコンピュータビジョンにおいて重要な課題である。 既存の量子ベースのモデルフィッティングのアプローチは、単一のモデルに制限されるか、または、外れ値のないデータセット内のマルチモデルシナリオを考慮するかのいずれかである。 本稿では,外乱を効果的に扱えるロバスト量子マルチモデルフィッティング(R-QuMF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-18T17:59:53Z)
• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• Multimodal deep representation learning for quantum cross-platform verification [60.01590250213637]
  初期の量子コンピューティングの領域において重要な取り組みであるクロスプラットフォーム検証は、同一のアルゴリズムを実行する2つの不完全な量子デバイスとの類似性を特徴づけようと試みている。 本稿では,この課題におけるデータの形式化が2つの異なるモダリティを具現化する,革新的なマルチモーダル学習手法を提案する。 我々はこれらのモダリティから知識を独立して抽出するマルチモーダルニューラルネットワークを考案し、続いて融合操作により包括的データ表現を生成する。
  論文  参考訳（メタデータ） (2023-11-07T04:35:03Z)
• 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)

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。