論文の概要: Hybrid Quantum-Classical Logistic Regression for Calibrated Classification of Pulsar Candidates

• arxiv url: http://arxiv.org/abs/2605.07866v1
• Date: Fri, 08 May 2026 15:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.156324
• Title: Hybrid Quantum-Classical Logistic Regression for Calibrated Classification of Pulsar Candidates
• Title（参考訳）: パルサー候補の校正分類のためのハイブリッド量子古典ロジスティック回帰
• Authors: Chanelle Matadah Manfouo, Donovan Slabbert, Prince Koree Osei, Francesco Petruccione,
• Abstract要約: 我々は、不均衡なHTRU-2データセット上でのハイブリッド量子-正則ロジスティック回帰を評価する。 我々は、角符号化、振幅符号化、データ再アップロードの3つの量子特徴符号化を使用する。 アングル符号化は、量子ロジスティック回帰変種の中で最強のパフォーマンスを与える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable pulsar candidate ranking requires probability estimates that are not only discriminative but also well calibrated. We evaluate hybrid quantum-calssical logistic regression on the imbalanced HTRU-2 dataset using three quantum feature encodings: angle encoding, amplitude encoding, and data re-uploading. The models are trained using analytic gradients and compared with classical baselines and a quantum support vector machine reference model under a paired-seed protocol. Evaluation combines rare-event discrimination, low-false-positive-rate recovery, probability calibration, and runtime analysis. Angle encoding gives the strongest performance among the quantum logistic regression variants. At shallow depth, the angle-encoded model remains close to the best classical baselines in discrimination and low-false-positive-rate recovery, while also giving the lowest calibration error at the benchmark configuration. Murphy decomposition shows that the angle-encoded model maintains low reliability error and high, stable resolution across circuit depths and training-set sizes. This means that its probability estimates preserve both calibration and meaningful separation between candidate groups. Data re-uploading is competitive at small depth but loses discrimination and resolution at larger depth in the present multi-qubit implementation, while amplitude encoding remains weaker across dataset sizes. Shallow angle-encoded quantum logistic regression therefore gives the best balance among the tested quantum logistic models, although simulation runtime remains a practical limitation.
• Abstract（参考訳）: 信頼性の高いパルサー候補ランキングは、差別的だけでなく、十分に校正された確率推定を必要とする。 我々は、アングルエンコーディング、振幅エンコーディング、データ再アップロードという3つの量子特徴符号化を用いて、不均衡なHTRU-2データセット上でのハイブリッド量子カルロジスティック回帰を評価する。 これらのモデルは解析勾配を用いて訓練され、古典的ベースラインや量子支援ベクトルマシン参照モデルと比較される。 評価には、希少な差別、低偽陽性率回復、確率校正、実行時分析が組み合わされている。 アングル符号化は、量子ロジスティック回帰変種の中で最強のパフォーマンスを与える。 浅い深度では、角符号化されたモデルは、識別と低偽陽性率の回復において最も優れた古典的ベースラインに近づき、ベンチマーク設定では最も低いキャリブレーション誤差を与える。 マーフィー分解は、アングル符号化されたモデルが回路深度とトレーニングセットのサイズをまたいだ信頼性の低い誤差と高解像度を維持していることを示している。 これは、その確率推定が、候補群間のキャリブレーションと有意義な分離の両方を保存することを意味する。 データ再アップロードは、小さな深さで競合するが、現在のマルチキュービット実装では、識別と解像度がより深く失われる一方、振幅符号化はデータセットサイズでより弱いままである。 したがって、浅角符号化された量子ロジスティック回帰は試験された量子ロジスティックモデルの中で最良のバランスを与えるが、シミュレーションランタイムは実用的な制限である。

関連論文リスト

• Learning Temporal Patterns in Financial Time Series: A Comparative Study of Quantum LSTM and Quantum Reservoir Computing [0.0]
  本研究は、金融時系列フォアキャスティングのための量子および古典的ハイブリッドアーキテクチャに焦点を当てる。 遅延埋め込みが予測精度と堅牢性にどのように影響するかを評価する。 我々は、従来のLSTMと貯水池計算に対して、メトリクスのような一般的なエラーを用いて量子モデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-05-04T14:37:31Z)
• Explainable quantum regression algorithm with encoded data structure [0.0]
  我々は、量子状態が古典的なデータテーブルを正確にエンコードする最初の解釈可能な量子回帰アルゴリズムを構築した。 また、エンコードされたデータ構造を利用して回帰マップの計算におけるゲートの複雑さを低減する。
  論文  参考訳（メタデータ） (2026-04-17T03:42:12Z)
• Comparing Classical and Quantum Variational Classifiers on the XOR Problem [0.0]
  変分量子モデルは高次元ヒルベルト空間の量子ビットで動作する。 XOR問題における古典モデルと変分量子分類器を比較した。
  論文  参考訳（メタデータ） (2026-02-27T17:46:52Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Explainable quantum regression algorithm with encoded data structure [0.0]
  本稿では,最初の解釈可能な量子回帰アルゴリズムを構築する。 符号化されたデータ構造は回帰マップの計算の時間的複雑さを減少させる。 我々は、中性冷原子とイオンに実装されたマルチキュービットゲートを持つ潜在的な量子ユーティリティを想定する。
  論文  参考訳（メタデータ） (2023-07-07T00:30:16Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)

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。