論文の概要: Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware
- arxiv url: http://arxiv.org/abs/2604.26834v1
- Date: Wed, 29 Apr 2026 16:01:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.477915
- Title: Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware
- Title（参考訳）: トラップオンハードウェア上での高次バイナリ最適化による量子特徴選択
- Abstract要約: 本稿では,高次非制約二元最適化(HUBO)の定式化に基づく量子的特徴選択フレームワークを提案する。
提案モデルには,相互情報量から導出される1,2,3体相互作用項が含まれる。
提案したワークフローをGallstoneデータセットとSpambaseデータセットという2つのベンチマーク分類データセットで評価する。
- 参考スコア（独自算出の注目度）: 4.622928173506349
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a quantum feature-selection framework based on a higher-order unconstrained binary optimization (HUBO) formulation that explicitly incorporates multivariate dependencies beyond standard quadratic encodings. In contrast to QUBO-based approaches, the proposed model includes one-, two-, and three-body interaction terms derived from mutual-information measures, enabling the objective function to capture feature relevance, pairwise redundancy, and higher-order statistical structure within a unified energy model. To suppress trivial all-selected solutions, we further include structured linear penalties that promote sparsity while preserving informative variables. The resulting HUBO instances are optimized with digitized counterdiabatic quantum optimization on IonQ Forte and compared against noiseless quantum simulation as well as two classical dimensionality-reduction baselines: SelectKBest based on mutual information and principal component analysis (PCA). We evaluate the proposed workflow on two benchmark classification datasets, namely the Gallstone dataset and the Spambase dataset, and analyze both predictive performance and selected-subset structure. The results show good qualitative agreement between hardware executions and noiseless simulations, supporting the feasibility of implementing higher-order feature-selection Hamiltonians on current trapped-ion processors. In addition, the quantum approach yields competitive classification performance while producing compact and informative feature subsets, highlighting the potential of higher-order quantum optimization for machine-learning preprocessing tasks.
- Abstract（参考訳）: 本稿では、高階非制約バイナリ最適化(HUBO)の定式化に基づく量子的特徴選択フレームワークを提案する。
QUBOに基づくアプローチとは対照的に、提案モデルは、相互情報量から導かれる1, 2, 3体相互作用項を含み、目的関数が統一エネルギーモデル内の特徴関連性、ペア冗長性、高次統計構造を捉えることができる。
自明な全選択解を抑えるため,情報変数を保ちながら疎性を促進する構造的線形罰則も含む。
得られたHUBOインスタンスは、IonQ Forte上でディジタル化された反断熱量子最適化により最適化され、ノイズレス量子シミュレーションと2つの古典的な次元-誘引ベースライン(相互情報と主成分分析(PCA)に基づくSelectKBest)と比較される。
本稿では,GallstoneデータセットとSpambaseデータセットという2つのベンチマーク分類データセット上で提案したワークフローを評価し,予測性能と選択されたサブセット構造の両方を分析する。
その結果、ハードウェア実行とノイズレスシミュレーションの質的整合性が良好であることが示され、現在のトラップイオンプロセッサ上での高次特徴選択ハミルトニアンの実装の可能性が裏付けられた。
さらに、量子アプローチは、コンパクトで情報的な特徴部分集合を生成しながら、競争力のある分類性能をもたらし、機械学習前処理タスクの高階量子最適化の可能性を強調している。
関連論文リスト
- Matching Features, Not Tokens: Energy-Based Fine-Tuning of Language Models [102.20309135516186]
クロスエントロピー(CE)トレーニングは、言語モデルの密集したスケーラブルな監視を提供する。
言語モデル微調整のための特徴マッチング手法を提案する。
この目的を効率的に最適化するために,エネルギーベースファインチューニングを提案する。
論文 参考訳（メタデータ） (2026-03-12T17:57:50Z) - 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) - Selective Feature Re-Encoded Quantum Convolutional Neural Network with Joint Optimization for Image Classification [3.8876018618878585]
量子畳み込みニューラルネットワーク(QCNN)は、量子データと古典データの両方を分類する有望な結果を実証している。
本研究では,特徴処理の高度化と分類精度向上のためのQCNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-07-02T18:51:56Z) - 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) - BenchQC: A Benchmarking Toolkit for Quantum Computation [0.4037357056611557]
変分量子固有解法 (VQE) は化学および材料科学における量子コンピューティング応用のための有望なアルゴリズムである。
本研究は、アルミニウムクラスターの基底状態エネルギーを計算するためのVQEの性能をベンチマークする。
論文 参考訳（メタデータ） (2025-02-13T18:51:08Z) - Approximating under the Influence of Quantum Noise and Compute Power [3.0302054726041017]
量子近似最適化アルゴリズム(QAOA)は、量子コンピュータのパワーと古典的な高性能コンピューティングアプライアンスを組み合わせて最適化することを目的とした多くのシナリオの中核である。
総合密度行列に基づくシミュレーションを用いて, 4種類のQAOA変異体の解の質と時間的挙動に影響を与える因子について検討した。
本研究の結果は, 包括的複製パッケージを伴い, 狭小かつ特異な影響を指摘できるQAOA変異体との違いが強く認められた。
論文 参考訳（メタデータ） (2024-08-05T07:48:49Z) - Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance [0.0]
古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。
線形分類パターン(LCP)と非線形分類パターン(NLCP)の2つの分類パターンに対するアプローチを実証する。
論文 参考訳（メタデータ） (2024-05-15T14:28:00Z) - Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。
本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。
また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
論文 参考訳（メタデータ） (2024-04-17T11:00:12Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - Tree ensemble kernels for Bayesian optimization with known constraints
over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。
ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。
我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文 参考訳（メタデータ） (2022-07-02T16:59:37Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳（メタデータ） (2021-04-30T21:34:11Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z)
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。