論文の概要: Supervised Latent Restructuring for Small-Data Quantum Learning in Plant Phenomics

• arxiv url: http://arxiv.org/abs/2605.20413v1
• Date: Tue, 19 May 2026 19:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.338627
• Title: Supervised Latent Restructuring for Small-Data Quantum Learning in Plant Phenomics
• Title（参考訳）: 植物フェノミクスにおける小値量子学習のための更新潜時再構成
• Authors: Alakananda Mitra, David H. Fleisher, Vangimalla Reddy, Chittaranjan Ray,
• Abstract要約: カーネル法は、遅延圧縮がクラス分離構造を保存するのに失敗すると識別力を失う可能性がある。 我々は,64次元PCA空間に1280次元の深部画像埋め込みを圧縮し,それを11次元の教師付き潜在空間に再構成するハイブリッドワークフローを提案する。 実験的に、教師付き潜在構造再構成は圧縮された表現の幾何学的分離性を著しく改善する。
• 参考スコア（独自算出の注目度）: 2.117342696898736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional biological data often exhibit a severe mismatch between feature dimensionality and sample size, making reliable classification difficult in extremely small-data regimes. In these settings, kernel methods can lose discriminative power when latent compression fails to preserve class-separating structure. We study this problem in fine-grained plant phenomics and propose a hybrid workflow that compresses 1280-dimensional deep image embeddings into a 64-dimensional PCA space and then restructures them into an 11-dimensional supervised latent space using Linear Discriminant Analysis (LDA), followed by GPU-accelerated Quantum Kernel Alignment (QKA) on NVIDIA L40S hardware. Empirically, supervised latent restructuring substantially improves the geometric separability of the compressed representation, increasing the Silhouette coefficient from 0.003 in the raw embedding space and -0.006 in PCA-64 to 0.197 in the supervised LDA-11 space. However, downstream classical evaluation reveals a clear compression trade-off: Linear SVM and XGBoost improve in the restructured latent space, whereas RBF-SVM and Random Forest degrade under the same 11-dimensional bottleneck. Under a constrained optimization budget, QKA in this regime remains challenging, indicating that latent geometry alone is not sufficient for strong trainable quantum performance. These findings position representation geometry as a central design variable in small-data quantum learning and expose the practical difficulty of recovering nonlinear discriminative structure from aggressively compressed biological representations.
• Abstract（参考訳）: 高次元の生物学的データは、しばしば特徴次元とサンプルサイズの間に深刻なミスマッチを示し、非常に小さなデータ体制では信頼性の高い分類を困難にしている。 これらの設定では、潜時圧縮がクラス分離構造を保存するのに失敗すると、カーネルメソッドは識別力を失う可能性がある。 この問題を微細な植物表現学で研究し、64次元PCA空間に1280次元の深部画像埋め込みを圧縮し、LDA(Linear Discriminant Analysis)を用いて11次元の教師付き潜在空間に再構成し、NVIDIA L40Sハードウェア上でGPU加速量子カーネルアライメント(QKA)を付加するハイブリッドワークフローを提案する。 実験的に、教師付き遅延再構成は圧縮された表現の幾何学的分離性を著しく改善し、生の埋め込み空間では0.003、PCA-64では-0.006、LDA-11空間では0.197にシルエット係数を増大させる。 線形SVMとXGBoostは再構成潜在空間を改善し、RBF-SVMとランダムフォレストは同じ11次元ボトルネックの下で劣化する。 制約付き最適化予算の下では、この状態におけるQKAは依然として困難であり、潜在幾何学だけでは強いトレーニング可能な量子性能には不十分であることを示している。 これらの結果から, データの量子学習における中心的設計変数としての位置表現幾何学は, 積極的に圧縮された生物学的表現から非線形識別構造を復元することの難しさを明らかにする。

関連論文リスト

• A Flexible Adaptive Stable Clustering Algorithm for Archive-Scale Online Mass Spectrometry [10.313588601700427]
  既存のクラスタリング手法はスケーラビリティ、メトリックの柔軟性、アルゴリズムの安定性に妥協を迫る。 本稿では,これらの制約を解決する動的システムフレームワークであるフレキシブル・アダプティブ・スタブル・クラスタリング(FASC)を紹介する。 FASCは、超希少な産業用トレーサを分離しながら、二次無機エアロゾルの大気の老化経路を自律的にマッピングした。
  論文  参考訳（メタデータ） (2026-05-08T08:22:12Z)
• Symplectic H2 Model Reduction for High-Dimensional Linear Quantum Systems [3.7887687619674413]
  シンプレクティックなペトロフ・ガレルキンの枠組みが提示され、低次モデルは建設によってPRのアイデンティティを自動的に満たす。 反復有理クリロフアルゴリズムのシンプレクティック変種を開発し、量子IRKA(Q-IRKA)と呼ぶ。 その結果,Q-IRKAは大規模線形量子システムに有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-08T02:38:57Z)
• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Beyond Heuristics: Learnable Density Control for 3D Gaussian Splatting [78.96382179408054]
  強化学習(RL)により最適化されたパラメータ化ポリシネットワークとして密度制御を再構築するフレームワークであるbfLeGSを紹介する。 計算的トラクタビリティを維持するために、報酬計算の複雑さを$O(N2)$から$O(N)$に下げる閉形式解を導出する。 Mip-NeRF 360、Tants & Temples、Deep Blendingのデータセットの実験は、bfLeGSが最先端の手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-01T05:04:49Z)
• Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
  GTSA-PCAは主成分分析の幾何学的拡張である。 曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。 以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
  論文  参考訳（メタデータ） (2026-04-20T20:36:36Z)
• LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
  アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。 本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。 実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
  論文  参考訳（メタデータ） (2026-03-30T13:39:35Z)
• Feedback Alignment Meets Low-Rank Manifolds: A Structured Recipe for Local Learning [7.034739490820967]
  バックプロパゲーション(BP)を用いたディープニューラルネットワーク(DNN)のトレーニングは、最先端の精度を実現するが、大域的なエラー伝搬と完全なパラメータ化が必要である。 ダイレクトフィードバックアライメント(DFA)は、メモリ要件の低いローカルで並列化可能な更新を可能にする。 低ランク多様体上で直接動作する構造化局所学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-29T15:03:46Z)
• Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data [17.411028691739897]
  大規模・高次元データに対して一様および識別的埋め込み(SUDE)を可能にする,サンプリングベースでスケーラブルな多様体学習手法を提案する。 合成データセットと実世界のベンチマークにおけるSUDEの有効性を実証的に検証し, 単細胞データの解析と心電図信号の異常検出に応用した。
  論文  参考訳（メタデータ） (2024-01-02T08:43:06Z)
• Design of Compressed Sensing Systems via Density-Evolution Framework for Structure Recovery in Graphical Models [10.667885727418705]
  観測データからベイズネットワークの構造を学習することはNP-Hard問題であることが示されている。 圧縮線形測定システムを最適化するための新しい密度進化に基づくフレームワークを提案する。 GBNの構造は実際に圧縮された測定結果から復元可能であることを示す。
  論文  参考訳（メタデータ） (2022-03-17T22:16:38Z)

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。