論文の概要: Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation
- arxiv url: http://arxiv.org/abs/2604.18837v1
- Date: Mon, 20 Apr 2026 21:03:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.492498
- Title: Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation
- Title（参考訳）: タブラルデータに基づく古典的ベースラインに対する量子カーネル支援ベクトルマシンのベンチマーク:ハードウェア検証による厳密な実証研究
- Authors: Siavash Kakavand, Christoph Strohmeyer, Michael Schlotter,
- Abstract要約: 量子カーネル法は、短期量子コンピュータを教師あり学習に活用するための有望なアプローチとして提案されている。
本稿では,9つのバイナリ分類データセット,4つの量子特徴写像,3つの古典的カーネル,複数のノイズモデルにまたがる量子カーネル支援ベクトルマシン(QSVM)の総合的研究について述べる。
我々の分析は4つのフェーズにまたがっている: (i) 統計的意義試験により、29対の量子古典比較のうち、0.05$; (ii) 学習曲線分析が6つのトレーニング分数に対して有意に到達しないことが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum kernel methods have been proposed as a promising approach for leveraging near-term quantum computers for supervised learning, yet rigorous benchmarks against strong classical baselines remain scarce. We present a comprehensive empirical study of quantum kernel support vector machines (QSVMs) across nine binary classification datasets, four quantum feature maps, three classical kernels, and multiple noise models, totalling 970 experiments with strict nested cross-validation. Our analysis spans four phases: (i) statistical significance testing, revealing that none of 29 pairwise quantum-classical comparisons reach significance at $α= 0.05$; (ii) learning curve analysis over six training fractions, showing steeper quantum slopes on six of eight datasets that nonetheless fail to close the gap to the best classical baseline; (iii) hardware validation on IBM ibm_fez (Heron r2), demonstrating kernel fidelity $r \geq 0.976$ across six experiments; and (iv) seed sensitivity analysis confirming reproducibility (mean CV 1.4%). A Kruskal-Wallis factorial analysis reveals that dataset choice dominates performance variance ($\varepsilon^2 = 0.73$), while kernel type accounts for only 9%. Spectral analysis offers a mechanistic explanation: current quantum feature maps produce eigenspectra that are either too flat or too concentrated, missing the intermediate profile of the best classical kernel, the radial basis function (RBF). Quantum kernel training (QKT) via kernel-target alignment yields the single competitive result -- balanced accuracy 0.968 on breast cancer -- but with ~2,000x computational overhead. Our findings provide actionable guidelines for quantum kernel research. The complete benchmark suite is publicly available to facilitate reproduction and extension.
- Abstract（参考訳）: 量子カーネル法は、教師付き学習に近距離量子コンピュータを活用するための有望なアプローチとして提案されているが、古典的な強靭な基準に対する厳密なベンチマークは乏しいままである。
本研究では,9つのバイナリ分類データセット,4つの量子特徴マップ,3つの古典的カーネル,複数ノイズモデルにまたがる量子カーネル支援ベクトルマシン(QSVM)の総合的研究を行い,厳密なネスト型クロスバリデーションによる970の実験を行った。
我々の分析は4つの段階に分けられる。
(i)統計的に有意なテストを行い、29対の量子古典比較がいずれもα=0.05$の値に到達しないことを明らかにした。
(II)6つのトレーニング分数についての学習曲線解析を行い、8つのデータセットのうち6つに対してより急な量子傾斜を示すが、しかしながら、最高の古典的ベースラインとのギャップを埋めることに失敗した。
3) IBM ibm_fez (Heron r2) 上でのハードウェア検証。
(4)再現性が確認された種子感受性分析(平均CV 1.4%)。
Kruskal-Wallis因子分析により、データセットの選択がパフォーマンスの分散(\varepsilon^2 = 0.73$)を支配し、カーネルタイプがわずか9%であることが明らかになった。
現在の量子特徴写像は、平坦すぎるか集中しすぎている固有スペクトルを生成し、最高の古典的カーネルである放射基底関数(RBF)の中間プロファイルを欠いている。
カーネルとターゲットのアライメントによる量子カーネルトレーニング(QKT)は、乳がんに対する精度0.968のバランスがとれるが、計算オーバーヘッドはおよそ2000倍になる。
本研究は量子カーネル研究のための実用的なガイドラインを提供する。
完全なベンチマークスイートは、再現と拡張を容易にするために公開されている。
関連論文リスト
- Analog Quantum Feature Selection with Neutral-Atom Quantum Processors [31.458406135473805]
我々は、中性原子配列を用いたアナログ量子シミュレーションに基づく量子特徴選択(QFS)に対する量子ネイティブなアプローチを提案する。
このプロトコルは、アダルト所得、銀行マーケティング、テルコ・チャーンという3つのベンチマークバイナリ分類データセットのシミュレーションによって評価される。
2-5 つの特徴のコンパクトな部分集合では、アナログ QFS は平均 AUC スコアを 1.5-2.3% 改善し、特徴の数を 75-84% 削減した。
論文 参考訳（メタデータ） (2025-10-23T17:57:34Z) - Potential of multi-anomalies detection using quantum machine learning [0.28647133890966986]
振動解析では、一級SVMと組み合わされたARモデル係数を用いて異常を検出する。
本研究では,量子カーネルを用いた一級SVMにおける古典的カーネルの置換効果について検討する。
以上の結果から,古典ガウス (RBF) カーネルに対する量子カーネルの利点が明らかとなった。
論文 参考訳（メタデータ） (2025-10-08T14:24:14Z) - Exploring an implementation of quantum learning pipeline for support vector machines [0.10742675209112622]
この研究は、ゲートベースの量子カーネル法と量子アニールに基づく最適化を統合することにより、ベクトルマシン(SVM)学習を支援するための完全な量子的アプローチを示す。
本稿では,様々な特徴写像と量子ビットを用いた量子カーネルの構築について検討し,カーネル・ターゲットアライメント(Kernel-Target Alignment)による適合性の評価を行った。
実験により、カーネル内の高次アライメントと適切な正規化パラメータが競合性能を導き、最良のモデルが90%のF1スコアを達成することを示した。
論文 参考訳（メタデータ） (2025-09-05T10:19:32Z) - Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。
既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。
我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文 参考訳（メタデータ） (2025-07-09T15:22:17Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Benchmarking quantum machine learning kernel training for classification tasks [0.0]
本研究は、分類タスクの文脈における量子カーネル法に焦点を当てる。
量子カーネル推定(QKE)と量子カーネル訓練(QKT)の性能を2つの量子特徴写像と関連づけて検討する。
実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
論文 参考訳（メタデータ） (2024-08-17T10:53:06Z) - Shot-frugal and Robust quantum kernel classifiers [12.146571029233435]
量子カーネル法は、機械学習における量子スピードアップの候補である。
分類タスクにおいて,その目的は信頼性の高い分類であり,正確なカーネル評価ではないことを示す。
我々は分類の信頼性を特徴付ける新しい指標を動機付けている。
論文 参考訳（メタデータ） (2022-10-13T12:48:23Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳（メタデータ） (2022-04-26T09:52:02Z) - Training Quantum Embedding Kernels on Near-Term Quantum Computers [0.08563354084119063]
量子コンピュータのヒルベルト空間にデータを埋め込むことで構築された量子埋め込みカーネル(QEK)は、特定の量子カーネル技術である。
まず、量子埋め込みカーネルを紹介し、ノイズの多い短期量子コンピュータ上でそれらを実現する際に生じる現実的な問題を解析する。
論文 参考訳（メタデータ） (2021-05-05T18:41:13Z) - Experimental Realization of Nonadiabatic Holonomic Single-Qubit Quantum
Gates with Two Dark Paths in a Trapped Ion [41.36300605844117]
共振駆動を持つ4レベル系をベースとした171mathrmYb+$イオンを捕捉した2つの暗い経路に非断熱型ホロノミック単一量子ゲートを示す。
現在の実験技術では、非自明なホロノミック2量子ビット量子ゲートも実現可能である。
論文 参考訳（メタデータ） (2021-01-19T06:57:50Z) - Hartree-Fock on a superconducting qubit quantum computer [30.152226344347064]
ここでは、12の量子ビット、78の2量子ビットゲート、114の1量子ビットゲートを含む、最も大きな化学の一連の量子シミュレーションを行う。
我々は、ジアゼンの異性化と同様に、$rm H_6$, $rm H_8$, $rm H_10$, $rm H_12$の結合エネルギーをモデル化する。
また,本実験の有効性を劇的に向上させる$N$-representabilityに基づく誤り軽減戦略を実証した。
論文 参考訳（メタデータ） (2020-04-08T18:00:06Z)
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。