論文の概要: SAFE Quantum Machine Learning with Variational Quantum Classifiers

• arxiv url: http://arxiv.org/abs/2605.16067v1
• Date: Fri, 15 May 2026 15:29:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.339106
• Title: SAFE Quantum Machine Learning with Variational Quantum Classifiers
• Title（参考訳）: 変分量子分類器を用いたSAFE量子機械学習
• Authors: Ying Chen, Paolo Giudici, Vasily Kolesnikov, Paolo Recchia,
• Abstract要約: 振幅符号化による高次元深部表現で動作する変分量子分類器を提案する。 結果として得られるモデルは、入力変動に対する感度を制御する構造的かつ滑らかな仮説クラスを誘導する。 モデルの信頼性は、クラマー・フォン・ミセスの発散から派生したSAFE-AIメトリクスを用いて評価される。
• 参考スコア（独自算出の注目度）: 6.49395734735121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a variational quantum classifier operating on high dimensional deep representations via amplitude encoding, stabilized by a learnable classical pre encoding layer.By combining normalized amplitude embeddings with bounded quantum observables, the resulting model induces a structured and smooth hypothesis class with controlled sensitivity to input variations. Model reliability is assessed using SAFE-AI metrics derived from the Cramer von Mises divergence, enabling consistent evaluation across accuracy, robustness, and explainability dimensions. Empirical results show that the proposed quantum model provides competitive predictive performance compared with strong classical baselines while exhibiting a more balanced SAFE reliability profile, with improved robustness to noise and stability under structured feature removal. These findings suggest that variational quantum circuits offer a principled mechanism for stability oriented SAFE learning in safety critical settings.
• Abstract（参考訳）: 本研究では, 古典的プリエンコーディング層によって安定化された振幅符号化による高次元深層表現で動作する変分量子分類器を提案し, 正規化振幅埋め込みと有界量子オブザーバブルを組み合わせることにより, 入力変動に対する感度を制御した構造的かつ滑らかな仮説クラスを導出する。 モデルの信頼性は、クレイマー・フォン・ミセスの発散から派生したSAFE-AIメトリクスを用いて評価され、精度、堅牢性、説明可能性の次元にわたって一貫した評価を可能にする。 実験により,提案した量子モデルは,よりバランスのとれたSAFE信頼性プロファイルを示しながら,構造的特徴除去時の雑音や安定性の向上を図りながら,古典的な強靭なベースラインと比較して,競争力のある予測性能を提供することを示した。 これらの結果は、変動量子回路が安全臨界条件下での安定性指向型SAFE学習の原理的メカニズムを提供することを示している。

関連論文リスト

• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Stabilized Maximum-Likelihood Iterative Quantum Amplitude Estimation for Structural CVaR under Correlated Random Fields [0.0]
  Conditional Value-at-Risk (CVaR) は構造力学における中心的なテールリスク尺度である。 本研究では,CVaR評価を信頼性制約付き最大形振幅推定問題として用いた量子強化推論フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-02-10T14:53:26Z)
• 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)
• Robust Causal Directionality Inference in Quantum Inference under MNAR Observation and High-Dimensional Noise [0.0]
  量子力学において、観測は系を積極的に形作り、MNAR(Missing Not At Random)という統計的概念を並行させる。 本研究では,量子工学における因果方向推論の統一的枠組みを紹介する。
  論文  参考訳（メタデータ） (2025-12-18T05:26:25Z)
• Trustworthy Quantum Machine Learning: A Roadmap for Reliability, Robustness, and Security in the NISQ Era [3.1351527202068445]
  この研究は、TQML(Trustworthy Quantum Machine Learning)の幅広いロードマップを提供する。 i) 校正およびリスク対応意思決定のための不確実な定量化、(ii) 古典的および量子ネイティブな脅威モデルに対する堅牢性、(iii) 分散および委譲された量子学習シナリオにおけるプライバシー保護の3つの基本的柱を統合する。 このロードマップは、信頼性を量子AIの第一級設計目標として定義することを目指している。
  論文  参考訳（メタデータ） (2025-11-04T14:24:17Z)
• Contrastive Knowledge Transfer and Robust Optimization for Secure Alignment of Large Language Models [9.353236468990945]
  本稿では,安全アライメントとロバストネスにおける大規模言語モデルの限界に対処する。 コントラスト蒸留とノイズロバストトレーニングを組み合わせた微調整法を提案する。 その結果,本手法は知識伝達,堅牢性,全体的な安全性において,既存のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-10-31T00:54:33Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Dynamic Estimation Loss Control in Variational Quantum Sensing via Online Conformal Inference [39.72602887300498]
  現在の変分量子センシング法は厳密な性能保証を欠いている。 本稿では,パラメータの変動を動的に更新するオンラインVQS制御フレームワークを提案する。 量子磁気学タスクの実験では、提案された動的VQSアプローチが、正確な推定をしながら、時間とともに必要な信頼性を維持していることを確認した。
  論文  参考訳（メタデータ） (2025-05-29T12:19:07Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)

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。