論文の概要: Large-Scale Quantum Kernels for Hyperspectral Data Classification

• arxiv url: http://arxiv.org/abs/2605.17587v1
• Date: Sun, 17 May 2026 18:32:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.217759
• Title: Large-Scale Quantum Kernels for Hyperspectral Data Classification
• Title（参考訳）: ハイパースペクトルデータ分類のための大規模量子カーネル
• Authors: A. Delilbasic, A. Miroszewski, A. Wijata, J. Nalepa, J. Mielczarek, M. Riedel, G. Cavallaro,
• Abstract要約: 本稿では,超スペクトルデータ分類のための有限量子カーネル支援ベクトルマシンの大規模研究について述べる。 我々は伝統的に量子モデルに関連する計算ボトルネックを克服し、量子ビット数の2次スケーリング O(n2) を達成する。 本稿では、カーネル帯域幅最適化の詳細な解析を行い、指数集中効果の緩和におけるその重要な役割を実証する。
• 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 emerged as a promising approach for leveraging high-dimensional feature spaces in machine learning, particularly in domains where classical kernel methods face scalability limitations. In this work, we present the first large-scale study of fidelity-quantum-kernel support vector machines for hyperspectral data classification without requiring heavy prior feature selection or dimensionality reduction. By simulating quantum kernels using tensor network contraction techniques and GPU acceleration, we overcome the computational bottlenecks traditionally associated with quantum models, achieving quadratic scaling O(n^2) in the number of qubits. Our approach enables the evaluation of quantum kernels on hyperspectral data with hundreds of spectral bands, aligning quantum feature spaces with real-world remote sensing applications. We provide an in-depth analysis of kernel bandwidth optimization, demonstrating its crucial role in mitigating exponential concentration effects and ensuring the model's ability to generalize. Experimental results on binary classification (Indian Pines and Methane Detection) and multiclass classification (Indian Pines) demonstrate that quantum kernels achieve competitive performance compared to a broad range of state-of-the-art classical baselines. As illustrative cases, on four 50-band splits selected from Indian Pines, the quantum model achieved a 78.0 pm6.2% accuracy for a binary classification task compared to 72.0 pm5.0% for the standard radial basis function (RBF) kernel. For a four-class classification task, the quantum kernel reached 83.3 pm3.1% accuracy, outperforming several state-of-the-art baselines. On five 75-band splits selected from the Methane Detection dataset, the quantum approach yielded 58.5\pm5.0% accuracy versus 55.1\pm2.5% for the classical counterpart...
• Abstract（参考訳）: 量子カーネル法は、機械学習、特に古典的なカーネル法がスケーラビリティの限界に直面している領域において、高次元の特徴空間を活用するための有望なアプローチとして登場した。 本研究では,高スペクトルデータ分類のための有限量子カーネル支援ベクトルマシンについて,先行した特徴選択や次元化を必要とせず,大規模な研究を行った。 テンソルネットワーク収縮技術とGPUアクセラレーションを用いて量子カーネルをシミュレートすることにより、従来の量子モデルに関連する計算ボトルネックを克服し、量子ビット数の2次スケーリングO(n^2)を達成する。 提案手法により,数百のスペクトル帯域を持つ超スペクトルデータ上での量子カーネルの評価が可能となり,実世界のリモートセンシングアプリケーションと量子特徴空間の整合が図られる。 本稿では,カーネル帯域幅最適化の詳細な解析を行い,指数集中効果を緩和し,モデルを一般化する能力を確実にする上で,その重要な役割を実証する。 二進分類(インド・パインズとメタン検出)と多等分類(インド・パインズ)の実験結果は、量子カーネルが、最先端の古典的ベースラインの幅広い範囲と比較して競争力を発揮することを示した。 インド・パインズから選択された4つの50バンド分割の場合、量子モデルは標準的な放射基底関数(RBF)カーネルの72.0 pm5.0%に比べて78.0 pm6.2%精度を達成した。 4クラス分類タスクでは、量子カーネルの精度は83.3 pm3.1%に達し、最先端のベースラインを数倍上回った。 メタン検出データセットから選択された5つの75バンド分割に対して、量子的アプローチは58.5\pm5.0%の精度で、古典的手法では55.1\pm2.5%であった。

関連論文リスト

• 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$; (ii) 学習曲線分析が6つのトレーニング分数に対して有意に到達しないことが判明した。
  論文  参考訳（メタデータ） (2026-04-20T21:03:02Z)
• On the similarity of bandwidth-tuned quantum kernels and classical kernels [0.0]
  我々は、放射基底関数(RBF)カーネルによく似たQKにおいて、最適な帯域幅調整結果が得られたことを数値的に示す。 また、最適な帯域幅調整パラメータのサイズがQKをさらに単純化し、カーネルのように振る舞うことも明らかにした。
  論文  参考訳（メタデータ） (2025-03-07T17:28:02Z)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Neural auto-designer for enhanced quantum kernels [59.616404192966016]
  本稿では,問題固有の量子特徴写像の設計を自動化するデータ駆動型手法を提案する。 私たちの研究は、量子機械学習の進歩におけるディープラーニングの実質的な役割を強調します。
  論文  参考訳（メタデータ） (2024-01-20T03:11:59Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Unsupervised quantum machine learning for fraud detection [23.87373187143897]
  我々は、異常検出のための量子プロトコルを開発し、クレジットカード不正検出のタスクに適用する。 20量子ビットでは、平均精度の量子古典的分離が15%に達する。 本稿では、近・中期量子ハードウェアによる不正検出の可能性について論じ、今後の改善の可能性について述べる。
  論文  参考訳（メタデータ） (2022-08-02T02:08:52Z)
• 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)
• Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
  我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
  論文  参考訳（メタデータ） (2020-12-08T01:10:30Z)

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。