論文の概要: Classical and Quantum Machine Learning for Population-Level Prediction of Heat-Related Physiological Events

• arxiv url: http://arxiv.org/abs/2604.15382v1
• Date: Thu, 16 Apr 2026 01:32:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.574663
• Title: Classical and Quantum Machine Learning for Population-Level Prediction of Heat-Related Physiological Events
• Title（参考訳）: 熱関連生理事象の集団レベル予測のための古典的および量子的機械学習
• Authors: Saul Gonzalez-Bermejo, Tommaso Albrigi, Borja Vazquez-Morado, Urko Regueiro-Ramos, Daniel Casado-Faulı, Sergi Consul-Pacareu, Parfait Atchade-Adelomou,
• Abstract要約: 異種環境と公衆衛生データセットを統合した統合予測フレームワークを提案する。 我々は、古典的な機械学習と量子機械学習という2つの学習パラダイムを共通のパイプライン内で評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting heat-related physiological events at the population level is challenging due to the complex interactions among climatic, demographic, and socioeconomic factors, as well as the strong sparsity and seasonality of observational data. In this work, we propose a unified predictive framework that integrates heterogeneous environmental and public-health datasets and evaluates two learning paradigms within a common pipeline: classical machine learning and quantum machine learning. The methodology combines data harmonization, temporal aggregation, feature engineering, and dimensionality reduction to construct a weekly county-level population dataset. On this unified representation, we train both a classical regression baseline and a variational quantum model based on parameterized quantum circuits with angle embedding and data re-uploading. Experimental evaluation on datasets from the United States and Catalonia shows that classical models currently achieve higher predictive accuracy, particularly under conditions of strong class imbalance and sparse targets. Nevertheless, the quantum models demonstrate non-trivial learning capability and capture meaningful predictive structure in several scenarios. These results provide an empirical comparison between classical and quantum learning approaches for population-level physiological prediction and establish a methodological foundation for future hybrid health modeling as quantum hardware continues to evolve.
• Abstract（参考訳）: 気候、人口統計、社会経済的要因の複雑な相互作用、および観測データの強い空間性と季節性により、人口レベルでの熱関連生理学的事象の予測は困難である。 本研究では、異種環境と公衆衛生データセットを統合し、共通のパイプライン内の2つの学習パラダイム(古典的機械学習と量子機械学習)を評価する統合予測フレームワークを提案する。 この手法は、データの調和、時間的集約、特徴工学、次元削減を組み合わせ、毎週の郡レベルの人口データセットを構築する。 この統一表現では、古典的回帰ベースラインと変分量子モデルの両方を、アングル埋め込みとデータ再アップロードを備えたパラメータ化量子回路に基づいて訓練する。 米国とカタルーニャのデータセットを実験的に評価すると、古典的なモデルは、特に強いクラス不均衡とスパースターゲットの条件下で、予測精度が高いことが示されている。 それでも、量子モデルは非自明な学習能力を示し、いくつかのシナリオで有意義な予測構造を捉えている。 これらの結果は、集団レベルの生理学的予測のための古典的学習アプローチと量子学習アプローチの実証的な比較を提供し、量子ハードウェアが進化を続けるにつれて、将来のハイブリッドヘルスモデリングのための方法論的基盤を確立する。

関連論文リスト

• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  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。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• Quantum Model Parallelism for MRI-Based Classification of Alzheimer's Disease Stages [0.0]
  ADステージの効率的な分類のために量子ベース並列モデル(QBPM)アーキテクチャを提案する。 提案モデルは2つの異なる量子回路を用いており、それぞれに回転ブロックと絡み合いブロックが組み込まれ、同じ量子シミュレータ上で並列に動作する。 以上の結果から,QBPMアーキテクチャはアルツハイマー病などの複雑な疾患の段階を分類するための革新的で強力なアプローチであることが示唆された。
  論文  参考訳（メタデータ） (2026-01-28T01:26:30Z)
• 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)
• Concept learning of parameterized quantum models from limited measurements [0.7499722271664147]
  古典的モデリングにおいて量子測定の確率論的性質を考慮し、これらの量について単一の統合学習フレームワークで議論する。 パラメータ化量子モデルを学習し、学習アルゴリズムの性能に対する2つの変数の非対称効果と相互作用を定量化する。 我々の研究は、量子システムの古典的学習における有限計測ノイズの操作的影響を分析するための新しいツールを提供する。
  論文  参考訳（メタデータ） (2024-08-09T15:07:42Z)
• Building Continuous Quantum-Classical Bayesian Neural Networks for a Classical Clinical Dataset [0.0]
  本稿では,医学データセットの不確実性を考慮した分類を行う量子古典ベイズニューラルネットワーク(QCBNN)を提案する。 予測性能とモデルの不確実性の両方を捉える複数の行動メトリクスを追跡します。 より不確実な方法でサンプルを分類できるハイブリッドモデルを作ることは、私たちの野望です。
  論文  参考訳（メタデータ） (2024-06-10T14:23:25Z)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• Evaluating quantum generative models via imbalanced data classification benchmarks [0.0]
  我々は、20種類の実世界のデータセットから適応したハイブリッド量子古典ニューラルネットワークから生成された合成データを解析する。 このアプローチを利用して問題の品質を解明し、量子古典的ハイブリッド生成モデルに適合する可能性が、多かれ少なかれ低い。
  論文  参考訳（メタデータ） (2023-08-21T16:46:36Z)
• 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)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)

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。