論文の概要: Quantum-Inspired Unitary Pooling for Multispectral Satellite Image Classification

• arxiv url: http://arxiv.org/abs/2603.15522v1
• Date: Mon, 16 Mar 2026 16:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.610036
• Title: Quantum-Inspired Unitary Pooling for Multispectral Satellite Image Classification
• Title（参考訳）: マルチスペクトル衛星画像分類のための量子インスパイアされたユニタリプール
• Authors: Georgios Maragkopoulos, Aikaterini Mandilara, Ralntion Komini, Dimitris Syvridis,
• Abstract要約: ユニタリ進化とヒルベルト空間埋め込みが学習に有用な帰納バイアスをもたらすことを示す。 固定参照ユニタリアクションにより、潜在特徴を複素射影空間にマッピングする完全古典的なプーリング機構を導入する。 マルチスペクトル衛星画像の実験的結果は、この量子インスパイアされたプール操作を畳み込みニューラルネットワークに組み込むことで、安定性が向上し、収束が加速し、標準プールベースラインに比べてばらつきが大幅に減少することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multispectral satellite imagery poses significant challenges for deep learning models due to the high dimensionality of spectral data and the presence of structured correlations across channels. Recent work in quantum machine learning suggests that unitary evolutions and Hilbert-space embeddings can introduce useful inductive biases for learning. In this work, we show that several empirical advantages often attributed to quantum feature maps can be more precisely understood as consequences of geometric structure induced by unitary group actions and the associated quotient symmetries. Motivated by this observation, we introduce a fully classical pooling mechanism that maps latent features to complex projective space via a fixed-reference unitary action. This construction effectively collapses non-identifiable degrees of freedom, leading to a reduction in the dimensionality of the learned representations. Empirical results on multispectral satellite imagery show that incorporating this quantum-inspired pooling operation into a convolutional neural network improves optimization stability, accelerates convergence, and substantially reduces variance compared to standard pooling baselines. These results clarify the role of geometric structure in quantum-inspired architectures and demonstrate that their benefits can be reproduced through principled geometric inductive biases implemented entirely within classical deep learning models.
• Abstract（参考訳）: マルチスペクトル衛星画像は、スペクトルデータの高次元性とチャネル間の構造的相関の存在により、ディープラーニングモデルに重大な課題を提起する。 量子機械学習における最近の研究は、ユニタリ進化とヒルベルト空間の埋め込みが学習に有用な帰納バイアスをもたらすことを示唆している。 本研究では、量子的特徴写像に起因するいくつかの経験的利点が、ユニタリ群作用と関連する商対称性によって引き起こされる幾何学的構造の結果としてより正確に理解できることを示す。 この観察により、固定参照ユニタリ作用により、潜在特徴を複素射影空間にマッピングする、完全古典的なプーリング機構を導入する。 この構造は、非識別可能な自由度を効果的に崩壊させ、学習された表現の次元性を減少させる。 マルチスペクトル衛星画像の実験的結果は、この量子インスパイアされたプール操作を畳み込みニューラルネットワークに組み込むことで、最適化の安定性が向上し、収束が加速し、標準プーリングベースラインに比べてばらつきが大幅に減少することを示している。 これらの結果は、量子に着想を得たアーキテクチャにおける幾何学構造の役割を明らかにし、古典的なディープラーニングモデルで完全に実装された幾何学的帰納バイアスによってそれらの利点が再現可能であることを示した。

関連論文リスト

• A Multiplicative Neural Network Architecture: Locality and Regularity of Appriximation [1.7188280334580195]
  本稿では,乗法的相互作用が基本表現を構成する乗法的ニューラルネットワークアーキテクチャを提案する。 ベッセルポテンシャル空間の局所性と正則性の観点から近似特性を解析する。
  論文  参考訳（メタデータ） (2026-02-06T04:07:50Z)
• Prospects for quantum advantage in machine learning from the representability of functions [0.815557531820863]
  回路深度と非クリフォードゲート数によって、モデルの出力が効率的な古典的シミュレーションやシュロゲーションに繋がるかどうかを判断する。 この分析は,多くの既存シミュレーション手法の根底にある不等化の共通経路を明らかにするものである。
  論文  参考訳（メタデータ） (2025-12-17T18:14:59Z)
• Emergence of global receptive fields capturing multipartite quantum correlations [0.565473932498362]
  量子物理学において、波動関数レベルで明確に定義された構造を持つ単純なデータでさえ、非常に複雑な相関によって特徴づけられる。 量子統計学を学習しながら、ニューラルネットワークの重み空間をモニタリングすることで、複雑な多部パターンに関する物理的直観を発達させることができることを示す。 この結果から,非局所パターンを用いたデータ処理のための畳み込みニューラルネットワークの構築について,新たな知見が得られた。
  論文  参考訳（メタデータ） (2024-08-23T12:45:40Z)
• Order-invariant two-photon quantum correlations in PT-symmetric interferometers [62.997667081978825]
  線形フォトニック量子ネットワークにおける多光子相関は行列永久性によって制御される。 個々のビルディングブロックからのネットワークの全体的多光子挙動は直観に反する。 この結果は,小規模の非エルミートネットワークにおいても,量子相関を直感的に保存する新たな方法の導出となる。
  論文  参考訳（メタデータ） (2023-02-23T09:43:49Z)
• 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)
• Exploring complex graphs using three-dimensional quantum walks of correlated photons [52.77024349608834]
  本稿では,3次元ネットワークに付随する励起力学の直接的実験的実現のための新しいパラダイムを提案する。 複雑で高連結なグラフ上の多粒子量子ウォークを実験的に探索するためのこの実験ベッドは、統合量子フォトニクスにおけるフェルミオン力学の適用可能性を活用するための道を開く。
  論文  参考訳（メタデータ） (2020-07-10T09:15:44Z)
• Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
  ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。 素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
  論文  参考訳（メタデータ） (2020-06-08T17:54:43Z)
• Understanding Graph Neural Networks with Generalized Geometric Scattering Transforms [67.88675386638043]
  散乱変換は、畳み込みニューラルネットワークのモデルとして機能する多層ウェーブレットベースのディープラーニングアーキテクチャである。 非対称ウェーブレットの非常に一般的なクラスに基づくグラフに対して、窓付きおよび非窓付き幾何散乱変換を導入する。 これらの非対称グラフ散乱変換は、対称グラフ散乱変換と多くの理論的保証を持つことを示す。
  論文  参考訳（メタデータ） (2019-11-14T17:23:06Z)

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。