論文の概要: A Novel Edge-Assisted Quantum-Classical Hybrid Framework for Crime Pattern Learning and Classification

• arxiv url: http://arxiv.org/abs/2604.07389v1
• Date: Wed, 08 Apr 2026 06:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.438693
• Title: A Novel Edge-Assisted Quantum-Classical Hybrid Framework for Crime Pattern Learning and Classification
• Title（参考訳）: 犯罪パターン学習と分類のためのエッジ支援量子古典ハイブリッドフレームワーク
• Authors: Niloy Das, Apurba Adhikary, Sheikh Salman Hassan, Yu Qiao, Zhu Han, Tharmalingam Ratnarajah, Choong Seon Hong,
• Abstract要約: 犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 54.3410887955176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crime pattern analysis is critical for law enforcement and predictive policing, yet the surge in criminal activities from rapid urbanization creates high-dimensional, imbalanced datasets that challenge traditional classification methods. This study presents a quantum-classical comparison framework for crime analytics, evaluating four computational paradigms: quantum models, classical baseline machine learning models, and two hybrid quantum-classical architectures. Using 16-year Bangladesh crime statistics, we systematically assess classification performance and computational efficiency under rigorous cross-validation methods. Experimental results show that quantum-inspired approaches, particularly QAOA, achieve up to 84.6% accuracy, while requiring fewer trainable parameters than classical baselines, suggesting practical advantages for memory-constrained edge deployment. The proposed correlation-aware circuit design demonstrates the potential of incorporating domain-specific feature relationships into quantum models. Furthermore, hybrid approaches exhibit competitive training efficiency, making them suitable candidates for resource-constrained environments. The framework's low computational overhead and compact parameter footprint suggest potential advantages for wireless sensor network deployments in smart city surveillance systems, where distributed nodes perform localized crime analytics with minimal communication costs. Our findings provide a preliminary empirical assessment of quantum-enhanced machine learning for structured crime data and motivate further investigation with larger datasets and realistic quantum hardware considerations.
• Abstract（参考訳）: 犯罪パターン分析は法執行機関と予測警察にとって重要であるが、急速な都市化による犯罪活動の急増は、従来の分類法に挑戦する高次元の不均衡なデータセットを生み出す。 本研究では、犯罪分析のための量子古典的比較フレームワークを提案し、量子モデル、古典的ベースライン機械学習モデル、および2つのハイブリッド量子古典的アーキテクチャの4つの計算パラダイムを評価する。 16年間のバングラデシュ犯罪統計を用いて,厳密なクロスバリデーション法で分類性能と計算効率を体系的に評価した。 実験の結果、量子インスパイアされたアプローチ、特にQAOAは84.6%の精度を達成できる一方で、古典的なベースラインよりもトレーニング可能なパラメータは少ないことが示され、メモリ制約されたエッジデプロイメントの実用的な利点が示唆された。 提案した相関対応回路設計は、領域固有の特徴関係を量子モデルに組み込む可能性を示している。 さらに、ハイブリッドアプローチは競争力のある訓練効率を示し、資源制約された環境に適した候補となる。 このフレームワークの計算オーバーヘッドの低さとパラメータフットプリントのコンパクトさは、分散ノードが最小の通信コストでローカライズされた犯罪分析を行うスマートシティ監視システムにおいて、ワイヤレスセンサーネットワークデプロイメントの潜在的な利点を示唆している。 我々の研究は、構造化犯罪データに対する量子強化機械学習の予備的な実証評価を提供し、より大きなデータセットと現実的な量子ハードウェアによるさらなる調査を動機付けている。

関連論文リスト

• Quantum Qualifiers for Neural Network Model Selection in Hadronic Physics [0.0]
  本研究では,データ固有の特性に基づいて,古典的および量子的深層ニューラルネットワーク間のモデル選択を誘導するツールを開発する。 モデル性能は, 複雑性, ノイズ, 次元性の体系的傾向に追従し, それらの傾向を予測基準に抽出する方法を示す。
  論文  参考訳（メタデータ） (2026-01-19T23:37:31Z)
• QFed: Parameter-Compact Quantum-Classical Federated Learning [7.031234391152914]
  エッジデバイスネットワーク間の計算効率向上を目的とした,量子対応のフェデレーション学習フレームワークであるQFedを紹介する。 実験結果から,スケーラブルな環境での古典的アプローチに匹敵する精度を維持しつつ,VGG様モデルのパラメータカウントを77.6%削減できることがわかった。
  論文  参考訳（メタデータ） (2026-01-14T19:16:20Z)
• 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)
• 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)
• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• Lean classical-quantum hybrid neural network model for image classification [12.353900068459446]
  本稿では,変分回路の4層のみを用いて,効率的な分類性能を実現するLan Classical-Quantum Hybrid Neural Network (LCQHNN)を提案する。 我々の実験は、LCQHNNがMNIST、FashionMNIST、CIFAR-10データセットの100%、99.02%、85.55%の分類精度を達成することを示した。
  論文  参考訳（メタデータ） (2024-12-03T00:37:11Z)
• 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)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• On Circuit-based Hybrid Quantum Neural Networks for Remote Sensing Imagery Classification [88.31717434938338]
  ハイブリッドQCNNは、標準ニューラルネットワーク内に量子層を導入することで、CNNの古典的なアーキテクチャを豊かにする。 この研究で提案された新しいQCNNは、地球観測(EO)のユースケースとして選択された土地利用・土地被覆(LULC)分類に適用される。 マルチクラス分類の結果は,QCNNの性能が従来の性能よりも高いことを示すことによって,提案手法の有効性を証明した。
  論文  参考訳（メタデータ） (2021-09-20T12:41:50Z)

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。