論文の概要: Neural quantum support vector data description for one-class classification

• arxiv url: http://arxiv.org/abs/2603.02700v1
• Date: Tue, 03 Mar 2026 07:45:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.693926
• Title: Neural quantum support vector data description for one-class classification
• Title（参考訳）: 一級分類のためのニューラルネットワーク支援ベクトルデータ記述法
• Authors: Changjae Im, Hyeondo Oh, Daniel K. Park,
• Abstract要約: 1クラス分類(OCC)は、機械学習における多くの応用における根本的な問題である。 OCCのための古典量子ハイブリッドフレームワークであるNeural Quantum Support Vector Data Description (NQSVDD)を紹介する。 NQSVDDは古典的ニューラルネットワークとトレーニング可能な量子データ符号化と変分量子回路を統合し、OCCの目的に合わせて非線形な特徴変換を学習できるようにする。
• 参考スコア（独自算出の注目度）: 0.19116784879310023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One-class classification (OCC) is a fundamental problem in machine learning with numerous applications, such as anomaly detection and quality control. With the increasing complexity and dimensionality of modern datasets, there is a growing demand for advanced OCC techniques with better expressivity and efficiency. We introduce Neural Quantum Support Vector Data Description (NQSVDD), a classical-quantum hybrid framework for OCC that performs end-to-end optimized hierarchical representation learning. NQSVDD integrates a classical neural network with trainable quantum data encoding and a variational quantum circuit, enabling the model to learn nonlinear feature transformations tailored to the OCC objective. The hybrid architecture maps input data into an intermediate high-dimensional feature space and subsequently projects it into a compact latent space defined through quantum measurements. Importantly, both the feature embedding and the latent representation are jointly optimized such that normal data form a compact cluster, for which a minimum-volume enclosing hypersphere provides an effective decision boundary. Experimental evaluations on benchmark datasets demonstrate that NQSVDD achieves competitive or superior AUC performance compared to classical Deep SVDD and quantum baselines, while maintaining parameter efficiency and robustness under realistic noise conditions.
• Abstract（参考訳）: 1クラス分類(OCC)は、異常検出や品質管理など、多くの応用で機械学習の基本的な問題である。 現代のデータセットの複雑さと次元性の増大に伴い、表現性と効率性が向上した高度なOCC技術への需要が高まっている。 我々は,OCCの古典的量子ハイブリッドフレームワークであるNeural Quantum Support Vector Data Description (NQSVDD)を紹介した。 NQSVDDは古典的ニューラルネットワークとトレーニング可能な量子データ符号化と変分量子回路を統合し、OCCの目的に合わせて非線形な特徴変換を学習できるようにする。 ハイブリッドアーキテクチャは、入力データを中間的な高次元の特徴空間にマッピングし、量子測定によって定義されたコンパクトな潜在空間に投影する。 重要なことは、特徴埋め込みと潜在表現の両方が、通常データがコンパクトクラスタを形成し、最小体積の超球が効果的な決定境界を提供するように、共同最適化されていることである。 NQSVDDは、古典的なディープSVDDや量子ベースラインと比較して、現実的な雑音条件下でパラメータ効率とロバスト性を維持しつつ、競争力または優れたAUC性能を達成することを示す。

関連論文リスト

• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis [1.2676356746752895]
  本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。 量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。 結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T16:11:39Z)
• Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
  本稿では、BreastMNISTデータセットのバイナリ分類のために設計されたハイブリッド量子古典畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。 この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
  論文  参考訳（メタデータ） (2025-11-29T17:47:14Z)
• 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)
• Selective Feature Re-Encoded Quantum Convolutional Neural Network with Joint Optimization for Image Classification [3.8876018618878585]
  量子畳み込みニューラルネットワーク(QCNN)は、量子データと古典データの両方を分類する有望な結果を実証している。 本研究では,特徴処理の高度化と分類精度向上のためのQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-02T18:51:56Z)
• 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)
• Quantum Pointwise Convolution: A Flexible and Scalable Approach for Neural Network Enhancement [0.0]
  本稿では,量子ニューラルネットワークフレームワークにポイントワイズ畳み込みを組み込んだ新しいアーキテクチャを提案する。 量子回路を用いてデータを高次元空間にマッピングし、より複雑な特徴関係を捉える。 実験では、FashionMNISTとCIFAR10データセットの分類タスクに量子ポイントワイズ畳み込み層を適用した。
  論文  参考訳（メタデータ） (2024-12-02T08:03:59Z)
• Quantum Kernel-Based Long Short-term Memory [0.30723404270319693]
  本稿では,Quantum Kernel-Based Long Short-Term Memory (QK-LSTM) ネットワークを導入する。 この量子化アーキテクチャは、効率的な収束、ロバストな損失最小化、モデルコンパクト性を示す。 ベンチマークの結果,QK-LSTMは従来のLSTMモデルと同等の性能を示すが,パラメータは少ない。
  論文  参考訳（メタデータ） (2024-11-20T11:39:30Z)
• ClusterQ: Semantic Feature Distribution Alignment for Data-Free Quantization [111.12063632743013]
  本稿では,ClusterQと呼ばれるデータフリーな量子化手法を提案する。 意味的特徴のクラス間分離性を高めるために,特徴分布統計をクラスタ化し,整列する。 また、クラス内分散を組み込んで、クラスワイドモードの崩壊を解決する。
  論文  参考訳（メタデータ） (2022-04-30T06:58:56Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。