論文の概要: Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification
- arxiv url: http://arxiv.org/abs/2605.19417v1
- Date: Tue, 19 May 2026 06:10:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.161196
- Title: Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification
- Title（参考訳）: 視覚分類のための量子伝達学習の公平なベンチマークに向けて
- Authors: Nouhaila Innan, Saim Rehman, Muhammad Shafique,
- Abstract要約: Quantum Transfer Learningは、短期的制約下でのビジュアル量子機械学習に有望なアプローチを提供する。
既存のQTL結果を比較するのは難しいのは、データセット、前処理、バックボーン設定、キュービット予算、回路設計、最適化の選択、レポートプロトコルが異なるためである。
本研究は,一貫したトランスファーラーニングパイプラインの下で,代表的QTL手法を評価するための,制御されたベンチマーク手法を提案する。
- 参考スコア（独自算出の注目度）: 2.417944170423441
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Transfer Learning (QTL) offers a promising approach for visual quantum machine learning under near-term constraints, where limited qubit counts, shallow circuit depths, and costly hybrid optimization restrict end-to-end quantum training. In this setting, pretrained classical backbones can extract high-level visual features, while compact quantum modules operate as trainable classification heads. However, existing QTL results are difficult to compare because they often differ in datasets, preprocessing, backbone settings, qubit budgets, circuit designs, optimization choices, and reporting protocols. This work presents a controlled benchmarking methodology for evaluating representative QTL methods under a unified transfer-learning pipeline. The benchmark compares DQN-QTL, QPIE-QTL, AE-CQTL, PVCQTL, and ED-QTL under shared preprocessing rules, frozen-backbone settings, training conditions, and reporting metrics. The evaluation focuses on Fashion-MNIST and Hymenoptera Ants vs Bees as the two main datasets, while CIFAR-10 is used to provide additional configuration-level evidence on a harder natural-image task. Beyond predictive performance, the benchmark analyzes circuit size, trainable parameters, quantum parameters, training time, and architectural sensitivity to qubit count and circuit depth. The results show that no single QTL family dominates across all settings: performance depends on the dataset, encoding strategy, circuit design, and computational cost. These findings highlight the need for resource-aware QTL evaluation and provide guidance for selecting hybrid quantum-classical transfer models under near-term resource constraints.
- Abstract（参考訳）: 量子トランスファーラーニング(QTL)は、量子ビット数、浅い回路深さ、高価なハイブリッド最適化によってエンドツーエンドの量子トレーニングが制限されるような、短期的な制約下での視覚量子機械学習に有望なアプローチを提供する。
この設定では、事前訓練された古典的なバックボーンは高いレベルの視覚的特徴を抽出でき、一方、コンパクトな量子モジュールは訓練可能な分類ヘッドとして動作する。
しかし、データセット、前処理、バックボーンの設定、キュービットの予算、回路設計、最適化の選択、レポートプロトコルでしばしば異なるため、既存のQTLの結果を比較するのは難しい。
本研究は,一貫したトランスファーラーニングパイプラインの下で,代表的QTL手法を評価するための,制御されたベンチマーク手法を提案する。
DQN-QTL、QPIE-QTL、AE-CQTL、PVCQTL、ED-QTLを共有前処理ルール、凍結バックボーン設定、トレーニング条件、レポートメトリクスで比較した。
この評価は2つの主要なデータセットとしてFashion-MNISTとHymenoptera Ants vs Beesに焦点を当てており、CIFAR-10はより難しい自然像に関する追加の構成レベルの証拠を提供するために使用される。
予測性能以外にも、ベンチマークでは、回路サイズ、トレーニング可能なパラメータ、量子パラメータ、トレーニング時間、キュービット数と回路深さに対するアーキテクチャ感度を分析している。
結果は、データセット、符号化戦略、回路設計、計算コストに依存するQTLファミリが、すべての設定で支配的になることはないことを示している。
これらの知見は、資源を意識したQTL評価の必要性を強調し、短期的資源制約下でのハイブリッド量子古典的転送モデルの選択のためのガイダンスを提供する。
関連論文リスト
- Fisher information based lower bounds on the cost of quantum phase estimation [0.0]
量子位相推定(QPE)は、ユニタリ演算子の固有値を推定するために設計された量子アルゴリズムの基礎である。
既存の性能評価は、量子回路に固有の統計情報を古典的な後処理の効率から切り離すことに失敗した。
我々はサーキット設計の性能限界を定式化するためにフィッシャー情報とクラマーラオ低域を用いる。
論文 参考訳（メタデータ） (2026-03-13T06:40:12Z) - AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。
我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
論文 参考訳（メタデータ） (2026-02-02T14:39:42Z) - Domain-Aware Quantum Circuit for QML [0.7999703756441755]
本稿では,局所性保存符号化と絡み合いを導出するために,画像先行情報を利用したドメイン対応量子回路(DAQC)を提案する。
設計ではインターリーブされたエンコード-トレインサイクルを採用しており、隣接するピクセルをホストするキュービット間で絡み合いがデバイス接続に合わせて適用される。
MNIST, FashionMentangle, PneumoniaMNISTデータセット上でDAQCを評価する。
論文 参考訳（メタデータ） (2025-12-19T17:02:58Z) - ConQuER: Modular Architectures for Control and Bias Mitigation in IQP Quantum Generative Models [40.972673943861075]
瞬時量子(IQP)回路に基づく量子生成モデルは、複素分布の学習において非常に有望である。
現在の実装は、生成した出力に対する制御性の欠如と、期待される特定のパターンに対する深刻な生成バイアスに悩まされている。
モジュール回路アーキテクチャによる両課題に対処する制御可能な量子生成フレームワーク ConQuER を提案する。
論文 参考訳（メタデータ） (2025-09-26T16:32:41Z) - End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。
重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。
実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
論文 参考訳（メタデータ） (2025-08-21T01:18:27Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - 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) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳（メタデータ） (2022-02-17T09:55:21Z) - Ansatz-Independent Variational Quantum Classifier [0.0]
可変量子分類器 (VQC) がよく知られたカーネル法に収まることを示す。
また、与えられたユニタリ演算子に対して効率的な量子回路を設計するための変分回路実現法(VCR)を提案する。
論文 参考訳（メタデータ） (2021-02-02T21:25:39Z)
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。