論文の概要: Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings

• arxiv url: http://arxiv.org/abs/2604.24597v1
• Date: Mon, 27 Apr 2026 15:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.117278
• Title: Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings
• Title（参考訳）: 医療ファウンデーションモデル埋め込みにおける古典的崩壊に対する量子カーネルのアドバンテージ
• Authors: Sebastian Cajas Ordóñez, Felipe Ocampo Osorio, Dax Enshan Koh, Rafi Al Attrach, Aldo Marzullo, Ariel Guerra-Adames, J. Alejandro Andrade, Siong Thye Goh, Chi-Yu Chen, Rahul Gorijavolu, Xue Yang, Noah Dane Hebdon, Leo Anthony Celi,
• Abstract要約: MIMIC-C胸部X線写真における2次保険分類におけるノイズレスシミュレーションによる量子優位性の証拠を提供する。 両分類器が同一の機能を持つ2層公正比較フレームワークを提案する。 固有解析により、量子核有効ランクは q = 11 で 69.80 に達する。
• 参考スコア（独自算出の注目度）: 5.903606299014097
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We provide evidence of quantum kernel advantage under noiseless simulation in binary insurance classification on MIMIC-CXR chest radiographs using quantum support vector machines (QSVM) with frozen embeddings from three medical foundation models (MedSigLIP-448, RAD-DINO, ViT-patch32). We propose a two-tier fair comparison framework in which both classifiers receive identical PCA-q features. At Tier 1 (untuned QSVM vs. untuned linear SVM, C = 1 both sides), QSVM wins minority-class F1 in all 18 tested configurations (17 at p < 0.001, 1 at p < 0.01). The classical linear kernel collapses to majority-class prediction on 90-100% of seeds at every qubit count, while QSVM maintains non-trivial recall. At q = 11 (MedSigLIP-448 plateau center), QSVM achieves mean F1 = 0.343 vs. classical F1 = 0.050 (F1 gain = +0.293, p < 0.001) without hyperparameter tuning. Under Tier 2 (untuned QSVM vs. C-tuned RBF SVM), QSVM wins all seven tested configurations (mean gain +0.068, max +0.112). Eigenspectrum analysis reveals quantum kernel effective rank reaches 69.80 at q = 11, far exceeding linear kernel rank, while classical collapse remains C-invariant. A full qubit sweep reveals architecture-dependent concentration onset across models. Code: https://github.com/sebasmos/qml-medimage
• Abstract（参考訳）: 医療基礎モデル(MedSigLIP-448, RAD-DINO, ViT-patch32)の凍結埋め込みを伴う量子支援ベクトルマシン(QSVM)を用いたMIMIC-CXR胸部X線画像のバイナリ保険分類において, ノイズレスシミュレーションによる量子カーネルの優位性を示す。 両分類器が同一のPCA-q特徴を受信する2層公正比較フレームワークを提案する。 Tier 1 (未修正のQSVM vs. 未修正の線形SVM, C = 1 両側)では、QSVM は18のテスト構成すべてでマイノリティークラス F1 に p < 0.001, 1 at p < 0.01 で勝利する。 QSVMは非自明なリコールを維持しているのに対し、古典的な線形カーネルは各キュービット数で90-100%のシードに対して多数クラスの予測に崩壊する。 QSVM は q = 11 (MedSigLIP-448 台地中心) で平均 F1 = 0.343 対 従来の F1 = 0.050 (F1 gain = +0.293, p < 0.001) をハイパーパラメータチューニングなしで達成する。 Tier 2 (未発表のQSVM vs. CチューニングのRBF SVM)の下で、QSVMは7つのテスト済み構成(平均ゲイン+0.068、最大+0.112)すべてで勝利する。 固有スペクトル解析により、量子核有効ランクは q = 11 で 69.80 に達するが、古典的な崩壊は C-不変のままである。 フルクビットスイープでは、モデル間のアーキテクチャ依存の集中セットが明らかになる。 コード:https://github.com/sebasmos/qml-medimage

関連論文リスト

• Do Quantum Transformers Help? A Systematic VQC Architecture Comparison on Tabular Benchmarks [2.005299372367689]
  変分量子回路(VQCs)は、短期デバイス上での量子機械学習における主要なアプローチである。 マルチ層完全連結(FC-VQC)、残留(ResNet-VQC)、ハイブリッド量子古典変換器(QT)、完全量子変換器(FQT)の4つのVQC族を比較した。 FC-VQCは、40-50%少ないパラメータを使用しながら、注目ベースのVQCのR2$の90-96%を達成している。 これらの知見は、短期量子ハードウェアにVQCをデプロイするための実用的なアーキテクチャガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-04-27T01:13:14Z)
• ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
  我々は神経科学モデルを統合した多層メモリアーキテクチャであるZenBrainを紹介する。 9つのアルゴリズムで編成された7つのメモリ層(作業層、短期層、エピソード層、意味層、手続き層、コア層、基礎層)を実装している。 LongMemEvalでは、ZenBrainはシステム審査員12人の中で最高位である。
  論文  参考訳（メタデータ） (2026-04-26T20:39:19Z)
• Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation [0.0]
  量子カーネル法は、短期量子コンピュータを教師あり学習に活用するための有望なアプローチとして提案されている。 本稿では,9つのバイナリ分類データセット,4つの量子特徴写像,3つの古典的カーネル,複数のノイズモデルにまたがる量子カーネル支援ベクトルマシン(QSVM)の総合的研究について述べる。 我々の分析は4つのフェーズにまたがっている: (i) 統計的意義試験により、29対の量子古典比較のうち、0.05$; (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。
  論文  参考訳（メタデータ） (2026-04-20T21:03:02Z)
• Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning [43.509065918669314]
  連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。 高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
  論文  参考訳（メタデータ） (2026-01-11T03:40:45Z)
• Reliable Audio Deepfake Detection in Variable Conditions via Quantum-Kernel SVMs [0.0]
  音響ディープフェイク検出において量子カーネルを用いることで,モデルサイズを増大させることなく偽陽性率を低減できることを示す。 量子カーネルSVMと従来のSVMを同一のメル-スペクトログラム前処理を用いて比較する。 QSVMは、ASVspoof 5(2024年)で0.183対0.299、ADD23で0.081対0.188、ASVspoof 2019で0.346対0.399、In-the-Wildで0.355対0.413である。
  論文  参考訳（メタデータ） (2025-12-21T16:31:05Z)
• SafeBench-Seq: A Homology-Clustered, CPU-Only Baseline for Protein Hazard Screening with Physicochemical/Composition Features and Cluster-Aware Confidence Intervals [26.81598226089532]
  SafeBench-Seqはメタデータのみの再現可能なベンチマークと,すべて公開データから構築されたベースライン分類器である。 の脅威を近似するために、組み合わせたデータセットを40パーセントのIDでクラスタリングし、クラスタレベルのホールドアウトを実行します。 AUROC/AUPRCとスクリーニング操作点(TPR@1% FPR; FPR@95% TPR)の95%ブートストラップ信頼区間(n=200)を報告した。 我々は,ブライアスコア,期待誤差(ECE),15ビン,信頼性図を用いて,確率品質を定量化する。
  論文  参考訳（メタデータ） (2025-12-19T12:51:31Z)
• Quantum-Hybrid Support Vector Machines for Anomaly Detection in Industrial Control Systems [0.3749861135832072]
  本研究では,CPS(Cyber-Physical Systems)の3つの一般的なデータセットを用いた量子ハイブリッド支援ベクトルマシン(QSVM)のパラメータ化に焦点を当てた。 その結果、QSVMは従来のカーネルメソッドよりも優れており、F1スコアは13.3%高い。 この取り組みは、QSVMがICSの異常検出において大きなアドバンテージを提供し、最終的に重要なインフラストラクチャのセキュリティと整合性を高めることを示唆している。
  論文  参考訳（メタデータ） (2025-06-21T21:37:26Z)
• 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)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• QuEst: Graph Transformer for Quantum Circuit Reliability Estimation [26.963991539714236]
  TorchQuantumと呼ばれるPythonライブラリは、機械学習タスクのためにPQCを構築し、シミュレートし、訓練することができる。 本稿では,回路の忠実度に対するノイズの影響を予測するために,グラフトランスフォーマモデルを提案する。 回路シミュレータと比較すると、予測器は忠実度を推定するための200倍以上のスピードアップを持つ。
  論文  参考訳（メタデータ） (2022-10-30T02:35:31Z)
• Practical application improvement to Quantum SVM: theory to practice [0.9449650062296824]
  量子特徴写像を用いて、データを量子状態に変換し、これらの量子状態からSVMカーネルを構築する。 実験では,データセットの複雑さに関わらず,QSVMがSVMに対して等しく動作することを示す。
  論文  参考訳（メタデータ） (2020-12-14T17:19:17Z)

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。