論文の概要: Q-DIVER: Integrated Quantum Transfer Learning and Differentiable Quantum Architecture Search with EEG Data

• arxiv url: http://arxiv.org/abs/2603.28122v1
• Date: Mon, 30 Mar 2026 07:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.280163
• Title: Q-DIVER: Integrated Quantum Transfer Learning and Differentiable Quantum Architecture Search with EEG Data
• Title（参考訳）: Q-DIVER:脳波データを用いた量子伝達学習と微分可能な量子アーキテクチャ検索
• Authors: Junghoon Justin Park, Yeonghyeon Park, Jiook Cha,
• Abstract要約: 大規模事前学習型脳波エンコーダ(DIVER-1)と微分可能な量子分類器を組み合わせたハイブリッドフレームワークQ-DIVERを提案する。 我々は、エンドツーエンドの微調整中にタスク最適回路トポロジを自律的に発見するために、微分可能な量子アーキテクチャー探索を用いる。 これらの結果は、高次元生体信号処理のためのパラメータ効率戦略として量子伝達学習を検証する。
• 参考スコア（独自算出の注目度）: 2.666639770148834
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Integrating quantum circuits into deep learning pipelines remains challenging due to heuristic design limitations. We propose Q-DIVER, a hybrid framework combining a large-scale pretrained EEG encoder (DIVER-1) with a differentiable quantum classifier. Unlike fixed-ansatz approaches, we employ Differentiable Quantum Architecture Search to autonomously discover task-optimal circuit topologies during end-to-end fine-tuning. On the PhysioNet Motor Imagery dataset, our quantum classifier achieves predictive performance comparable to classical multi-layer perceptrons (Test F1: 63.49\%) while using approximately \textbf{50$\times$ fewer task-specific head parameters} (2.10M vs. 105.02M). These results validate quantum transfer learning as a parameter-efficient strategy for high-dimensional biological signal processing.
• Abstract（参考訳）: 量子回路をディープラーニングパイプラインに統合することは、ヒューリスティックな設計上の制約のため、依然として困難である。 大規模事前学習型脳波エンコーダ(DIVER-1)と微分可能な量子分類器を組み合わせたハイブリッドフレームワークQ-DIVERを提案する。 固定アンザッツ法と異なり、微分可能な量子アーキテクチャ探索を用いて、エンドツーエンドの微調整中にタスク最適回路トポロジを自律的に検出する。 PhysioNet Motor Imageryデータセットでは、量子分類器は従来のマルチ層パーセプトロン(テスト F1: 63.49\%)に匹敵する予測性能を達成し、約 \textbf{50$\times$ less task-specific head parameters} (2.10M vs. 105.02M)を使用する。 これらの結果は、高次元生体信号処理のためのパラメータ効率戦略として量子伝達学習を検証する。

関連論文リスト

• Neural Architecture Search for Quantum Autoencoders [30.784540105806784]
  本稿では,量子オートエンコーダの設計を自動化するニューラルネットワーク探索(NAS)フレームワークを提案する。 変分量子回路(VQC)の構成を体系的に進化させることにより,本手法はハイパフォーマンスなハイブリッド量子古典型オートエンコーダの同定を試みる。
  論文  参考訳（メタデータ） (2025-11-24T15:55:44Z)
• Quantum Phase Classification of Rydberg Atom Systems Using Resource-Efficient Variational Quantum Circuits and Classical Shadows [0.0]
  本稿では,古典的シャドウトモグラフィと変分量子回路を組み合わせた量子機械学習手法を提案する。 量子資源の最小化は高精度位相分類に十分であることを示す。 この研究は、短期量子デバイス上での量子強化凝縮物質物理学の経路を確立する。
  論文  参考訳（メタデータ） (2025-10-27T16:25:16Z)
• Quantum Approximate Optimization Algorithm for MIMO with Quantized b-bit Beamforming [47.98440449939344]
  多重入力多重出力(MIMO)は6G通信において重要であり、スペクトル効率と信頼性の向上を提供する。 本稿では、送信機と受信機の両方でbビット量子化位相シフト器の問題に対処するために、量子近似最適化アルゴリズム(QAOA)と交互最適化を適用することを検討する。 この量子化ビームフォーミング問題の構造はQAOAのようなハイブリッド古典的手法と自然に一致し、ビームフォーミングで使われる位相シフトは量子回路の回転ゲートに直接マッピングできる。
  論文  参考訳（メタデータ） (2025-10-07T17:53:02Z)
• Multi-channel convolutional neural quantum embedding [10.620759775107787]
  量子計算の標準回路モデルに限らず,量子埋め込みを最適化するための古典量子ハイブリッド手法を提案する。 我々は,CIFAR-10とTiny ImageNetデータセットを用いて,フレームワーク内の各種モデルの性能をベンチマークした。
  論文  参考訳（メタデータ） (2025-09-26T13:51:40Z)
• 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)
• Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
  量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。 ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。 微分可能最適化を用いた自動解法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T19:01:08Z)
• Quantum State Preparation via Large-Language-Model-Driven Evolution [9.94808160501406]
  変動量子アルゴリズムにおける従来の回路の剛性,拡張性,および専門家依存を克服するための,量子回路設計のための自動フレームワークを提案する。 当社のアプローチでは,スケーラビリティとシステムサイズ非依存の変分パラメータをスクラッチから完全に分離した,ハードウェア効率の良いアンセットを自律的に発見する。
  論文  参考訳（メタデータ） (2025-05-09T18:00:02Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)

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。