論文の概要: Auto Quantum Machine Learning for Multisource Classification

• arxiv url: http://arxiv.org/abs/2602.18642v1
• Date: Fri, 20 Feb 2026 22:31:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.214419
• Title: Auto Quantum Machine Learning for Multisource Classification
• Title（参考訳）: マルチソース分類のためのオート量子機械学習
• Authors: Tomasz Rybotycki, Sebastian Dziura, Piotr Gawron,
• Abstract要約: データ融合問題に対処するための自動QML(AQML)アプローチを導入する。 従来のマルチ層パーセプトロンと比較してAQML生成量子回路の性能を評価する。 提案手法をマルチスペクトルONERAデータセットを用いて変更検出に適用し,従来報告したQMLに基づく変更検出結果よりも精度が向上した。
• 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: With fault-tolerant quantum computing on the horizon, there is growing interest in applying quantum computational methods to data-intensive scientific fields like remote sensing. Quantum machine learning (QML) has already demonstrated potential for such demanding tasks. One area of particular focus is quantum data fusion -- a complex data analysis problem that has attracted significant recent attention. In this work, we introduce an automated QML (AQML) approach for addressing data fusion challenges. We evaluate how AQML-generated quantum circuits perform compared to classical multilayer perceptrons (MLPs) and manually designed QML models when processing multisource inputs. Furthermore, we apply our method to change detection using the multispectral ONERA dataset, achieving improved accuracy over previously reported QML-based change detection results.
• Abstract（参考訳）: 地平線上のフォールトトレラント量子コンピューティングでは、リモートセンシングのようなデータ集約的な科学分野に量子計算手法を適用することへの関心が高まっている。 量子機械学習(QML)はすでにそのような要求のあるタスクの可能性を実証している。 特に注目されている分野は、量子データ融合(quantum data fusion)である。 本研究では,データ融合問題に対処する自動QML (AQML) アプローチを提案する。 AQML生成量子回路は、マルチソース入力を処理する際に、古典的多層パーセプトロン(MLP)や手動設計のQMLモデルと比較してどのように機能するかを評価する。 さらに,本手法をマルチスペクトルONERAデータセットを用いた変化検出に適用し,従来報告したQMLに基づく変化検出結果よりも精度が向上した。

関連論文リスト

• Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning [43.509065918669314]
  連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。 高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
  論文  参考訳（メタデータ） (2026-01-11T03:40:45Z)
• Entanglement and Classical Simulability in Quantum Extreme Learning Machines [0.0]
  本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。 我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。 この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
  論文  参考訳（メタデータ） (2025-09-08T16:43:37Z)
• Comparing Quantum Machine Learning Approaches in Astrophysical Signal Detection [1.2124551005857038]
  4段階の量子機械学習(QML)ワークフローを提案する。 天体物理学領域におけるガンマ線バースト(GRB)信号検出を中心としたケーススタディにおいて,異なる手法とモデルについて検討した。
  論文  参考訳（メタデータ） (2025-07-14T16:16:58Z)
• Learning to Program Quantum Measurements for Machine Learning [10.617463958884528]
  高性能量子機械学習モデルの開発には、専門家レベルの専門知識が必要である。 本稿では,量子系の可観測性,特にエルミート行列の学習性を示す革新的なフレームワークを提案する。 提案手法は変動量子回路内で観測可能を動的にプログラムし,既存の手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-18T02:39:22Z)
• Learning to Measure Quantum Neural Networks [10.617463958884528]
  本稿では,量子系の可観測性,特にエルミート行列学習性を実現する新しい手法を提案する。 本手法では,パラメータ化可観測関数を通常の量子回路パラメータとともに学習するエンド・ツー・エンドの微分可能学習フレームワークを特徴とする。 数値シミュレーションにより,提案手法は変動量子回路の観測値の同定が可能であり,その結果が得られた。
  論文  参考訳（メタデータ） (2025-01-10T02:28:19Z)
• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• 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 Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。