論文の概要: PAPUS: Pauli-Space-Based Multiclass Quantum Classification

• arxiv url: http://arxiv.org/abs/2604.16877v1
• Date: Sat, 18 Apr 2026 07:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 13:53:39.085209
• Title: PAPUS: Pauli-Space-Based Multiclass Quantum Classification
• Title（参考訳）: PAPUS: Pauli-Space ベースのマルチクラス量子分類
• Authors: Yuhang Tu, Shengmei Zhao, Le Wang, Anqi Zhang,
• Abstract要約: PAPUSは、パウリ空間におけるペア適応量子分類のためのフレームワークである。 PAPUSは、局所ノイズレスシミュレーションとIonQノイズシミュレータの両方において90%以上の分類精度を達成している。
• 参考スコア（独自算出の注目度）: 14.613991645631941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum classification faces two key challenges. First, the difficulty of distinguishing between different classes varies: some class pairs are easy to separate, while others are more challenging. Second, practical execution is affected by noise, finite sampling, and measurement overhead. To address these issues, we propose PAPUS, a framework for pair-adaptive quantum classification in Pauli space. The method evaluates candidate upload circuits using low-weight Pauli features and formulates upload design as a structured model selection problem based on discriminative representations. By dynamically adjusting circuit complexity according to class-pair difficulty, the framework achieves a better balance between classification accuracy and resource efficiency. Experiments on 9 data sets with 474 tasks show that PAPUS achieves a favorable balance between predictive performance and execution cost. Specifically, PAPUS attains classification accuracies above 90% in both local noiseless simulation and the IonQ noisy simulator, while requiring substantially lower measurement and circuit cost (fewer total measurement shots and fewer quantum gates for data upload). Compared with the two conventional baselines, template_cv and kta_exact, PAPUS also shows much stronger robustness under noise: accuracy decreases by only 1.67% in the noisy setting, whereas both baselines degrade by 9.44%.
• Abstract（参考訳）: 量子分類は2つの重要な課題に直面している。 まず、異なるクラスを区別することの難しさは、いくつかのクラスペアが分離しやすく、他のクラスはより困難である。 第二に、実用的な実行はノイズ、有限サンプリング、測定オーバーヘッドに影響される。 これらの問題に対処するため,パウリ空間におけるペア適応量子分類のためのフレームワークであるPAPUSを提案する。 本手法は,低ウェイトなパウリ特徴を用いた候補アップロード回路の評価と,識別表現に基づく構造化モデル選択問題としてのアップロード設計の定式化を行う。 クラスペアの難易度に応じて回路の複雑さを動的に調整することにより、分類精度と資源効率のバランスを良くする。 474のタスクを持つ9つのデータセットの実験では、PAPUSは予測性能と実行コストの良好なバランスを達成している。 具体的には、PAPUSは、局所ノイズレスシミュレーションとIonQノイズシミュレータの両方において90%以上の分類精度を達成し、測定コストと回路コストを大幅に削減する(全計測ショットとデータアップロードのための量子ゲートの少ない)。 従来の2つのベースラインである template_cv と kta_exact と比較して、PAPUS はノイズ下での強い堅牢性も示している。

関連論文リスト

• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Q-Cluster: Quantum Error Mitigation Through Noise-Aware Unsupervised Learning [4.984018914962973]
  QEM(Quantum error mitigation)は、量子コンピューティングにおけるノイズの影響を低減するために重要である。 本稿では、教師なし学習(クラスタリング)を用いて測定ビットストリング分布を再構成する新しいQEM手法Q-Clusterを提案する。 提案したQ-Cluster方式は,出力分布の最小値よりも平均1.46倍の忠実度を向上することを示す。
  論文  参考訳（メタデータ） (2025-04-15T01:53:39Z)
• 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)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• Conformal-in-the-Loop for Learning with Imbalanced Noisy Data [5.69777817429044]
  大規模なデータセットでは、クラス不均衡とラベルノイズが広まっています。 機械学習の研究の多くは、よくラベル付けされたバランスの取れたデータを前提としている。 コンフォーマル・イン・ザ・ループ(Conformal-in-the-Loop, CitL)は,コンフォーマルな予測に基づく手法を用いて,両課題に対処する新しいトレーニングフレームワークである。
  論文  参考訳（メタデータ） (2024-11-04T17:09:58Z)
• Demonstration of Robust and Efficient Quantum Property Learning with Shallow Shadows [1.366942647553326]
  本稿では,現在の量子コンピューティングプラットフォーム上での量子状態の特徴付けのためのロバストプロトコルを提案する。 提案プロトコルは, 期待値, 忠実度, 絡み合いエントロピーなどの状態特性を, サンプルの複雑さを低く保ちながら正確に復元する。 この理論的および実験的分析を組み合わせることで、ロバストな浅い影プロトコルは、スケーラブルで堅牢でサンプル効率のよいプロトコルとして位置づけられる。
  論文  参考訳（メタデータ） (2024-02-27T21:53:32Z)
• Trade-off between Bagging and Boosting for quantum separability-entanglement classification [0.0]
  量子分離性問題に対するランダムアンダーサンプリングブースターCHA(RUSBCHA)の長所と短所を比較した。 結果は、RUSBCHAがBCHAアプローチに代わるものであることを示唆している。
  論文  参考訳（メタデータ） (2024-01-22T15:29:35Z)
• Search What You Want: Barrier Panelty NAS for Mixed Precision Quantization [51.26579110596767]
  混合精度量子化のための新しいバリアペナルティベースNAS(BP-NAS)を提案する。 BP-NASは、分類(Cifar-10, ImageNet)と検出(COCO)の両方に基づいて芸術の新たな状態を設定する
  論文  参考訳（メタデータ） (2020-07-20T12:00:48Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。