論文の概要: QTabGAN: A Hybrid Quantum-Classical GAN for Tabular Data Synthesis

• arxiv url: http://arxiv.org/abs/2602.12704v1
• Date: Fri, 13 Feb 2026 08:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.887578
• Title: QTabGAN: A Hybrid Quantum-Classical GAN for Tabular Data Synthesis
• Title（参考訳）: QTabGAN: タブラルデータ合成のためのハイブリッド量子古典的GAN
• Authors: Subhangi Kumari, Rakesh Achutha, Vignesh Sivaraman,
• Abstract要約: 本稿では,グラフデータ合成のための量子古典的生成逆解析フレームワークQTabGANを紹介する。 QTabGANは特に、プライバシ制約によって実際のデータが不足したり制限されるような設定のために設計されている。 実験の結果、QTabGANは様々な分類データセットに対して54.07%の改善を達成している。
• 参考スコア（独自算出の注目度）: 0.4078247440919472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthesizing realistic tabular data is challenging due to heterogeneous feature types and high dimensionality. We introduce QTabGAN, a hybrid quantum-classical generative adversarial framework for tabular data synthesis. QTabGAN is especially designed for settings where real data are scarce or restricted by privacy constraints. The model exploits the expressive power of quantum circuits to learn complex data distributions, which are then mapped to tabular features using classical neural networks. We evaluate QTabGAN on multiple classification and regression datasets and benchmark it against leading state-of-the-art generative models. Experiments show that QTabGAN achieves up to 54.07% improvement across various classification datasets and evaluation metrics, thus establishing a scalable quantum approach to tabular data synthesis and highlighting its potential for quantum-assisted generative modelling.
• Abstract（参考訳）: 不均一な特徴型と高次元性のため、リアルな表データの合成は困難である。 本稿では,グラフデータ合成のためのハイブリッド量子古典生成逆数フレームワークQTabGANを紹介する。 QTabGANは特に、プライバシ制約によって実際のデータが不足したり制限されるような設定のために設計されている。 このモデルは、量子回路の表現力を利用して複雑なデータ分布を学習し、古典的なニューラルネットワークを用いてグラフの特徴にマッピングする。 我々は、複数の分類および回帰データセットに基づいてQTabGANを評価し、最先端の生成モデルと比較した。 実験の結果、QTabGANは様々な分類データセットと評価指標で最大54.07%の改善を実現し、グラフデータ合成へのスケーラブルな量子アプローチを確立し、量子アシスト生成モデルの可能性を強調している。

関連論文リスト

• Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
  Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。 本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
  論文  参考訳（メタデータ） (2026-01-01T06:11:16Z)
• Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models [85.64873567417396]
  実世界のデータに対して,その多様性,特異性,および性能のために選択された合成前駆体の硬化した混合物をトレーニングしたTFMであるMitraを紹介する。 Mitraは、TabPFNv2やTabICLのような最先端のTFMを、分類と回帰のベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-24T07:15:06Z)
• AiDE-Q: Synthetic Labeled Datasets Can Enhance Learning Models for Quantum Property Estimation [83.22330172077308]
  AiDE-Qは高品質な合成ラベル付きデータセットを反復的に生成する。 量子多体系と分子系の多種多様な集合について広範な数値シミュレーションを行う。
  論文  参考訳（メタデータ） (2025-09-30T11:29:14Z)
• TabularQGAN: A Quantum Generative Model for Tabular Data [42.34625645992943]
  合成データは、現実世界のデータが少ない、あるいはプライベートなシナリオで有用であり、既存のデータセットを拡張または置換するために使用することができる。 本稿では、フレキシブルなデータ符号化と新しい量子回路アンサッツを備えた量子生成逆ネットワークアーキテクチャを提案する。 提案手法はMIMIC IIIヘルスケアデータセットとアダルト・センサスデータセットでテストされ、主要な古典的モデルに対して広範なベンチマークが行われる。
  論文  参考訳（メタデータ） (2025-05-28T16:19:39Z)
• TabTreeFormer: Tabular Data Generation Using Hybrid Tree-Transformer [14.330758748478281]
  TabTreeFormerは、ツリーベースのモデルの帰納バイアスを統合するハイブリッドトランスフォーマーアーキテクチャである。 TabTreeFormerは、実用性、忠実性、プライバシの指標を競争効率で一貫して上回ります。
  論文  参考訳（メタデータ） (2025-01-02T11:57:08Z)
• TabDiff: a Mixed-type Diffusion Model for Tabular Data Generation [91.50296404732902]
  グラフデータの混合型分布を1つのモデルでモデル化する共同拡散フレームワークであるTabDiffを紹介する。 我々の重要な革新は、数値データと分類データのための連立連続時間拡散プロセスの開発である。 TabDiffは、既存の競合ベースラインよりも優れた平均性能を実現し、ペアワイドカラム相関推定における最先端モデルよりも最大で22.5%改善されている。
  論文  参考訳（メタデータ） (2024-10-27T22:58:47Z)
• Multi-objective evolutionary GAN for tabular data synthesis [0.873811641236639]
  合成データは統計機関や他の統計データ生成装置によるデータ共有において重要な役割を果たしている。 本稿では,SMOE-CTGAN(SMOE-CTGAN)を合成データとして提案する。 以上の結果から,SMOE-CTGANは,複数の国勢調査データセットに対して,異なるリスクと実用レベルを持つ合成データセットを発見可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-15T23:07:57Z)
• AutoDiff: combining Auto-encoder and Diffusion model for tabular data synthesizing [12.06889830487286]
  拡散モデルは、現代の機械学習において、合成データ生成の主要なパラダイムとなっている。 本稿では,合成表データを生成するために拡散モデルのパワーを利用する。 生成した合成表は、実データに対する優れた統計的忠実度を示し、機械学習ユーティリティの下流タスクでよく機能する。
  論文  参考訳（メタデータ） (2023-10-24T03:15:19Z)
• Generative Table Pre-training Empowers Models for Tabular Prediction [71.76829961276032]
  本稿では,テーブル事前学習を利用した最初の試みであるTapTapを提案する。 TapTapは、プライバシ保護、リソースの低さ、価値計算の欠如、不均衡な分類など、さまざまなアプリケーションをサポートするための高品質な合成テーブルを生成することができる。 LightGBM、Multilayer Perceptron (MLP)、Transformerなどのバックボーンモデルと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-05-16T06:37:38Z)
• 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)

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。