論文の概要: Feature Encoding in Quantum Machine Learning: A Survey and Practical Guidelines

• arxiv url: http://arxiv.org/abs/2606.05387v1
• Date: Wed, 03 Jun 2026 19:46:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.370628
• Title: Feature Encoding in Quantum Machine Learning: A Survey and Practical Guidelines
• Title（参考訳）: 量子機械学習における特徴符号化 : サーベイと実践的ガイドライン
• Authors: Vincenzo Sammartino,
• Abstract要約: 量子状態への古典データの符号化は、量子機械学習における主要なパフォーマンスボトルネックを構成する。 既存のフレームワークでは、リソースの堅牢性、表現性、ノイズの堅牢性を共同で特徴付けるものはありません。 5つの登録決定フレームワーク(D, n, p, tau)の特徴次元、キュービット予算、エラー率、タスクタイプをハードウェア基底符号化レコメンデーションにマップする。
• 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: The encoding of classical data into quantum states constitutes the primary performance bottleneck in Quantum Machine Learning (qml) on Noisy Intermediate-Scale Quantum (nisq) devices. No existing framework jointly characterises resource cost, expressivity, and noise robustness, nor provides actionable selection guidelines for practitioners. This survey addresses that gap through a systematic review of 66 primary works (2017-2026) assembled via a PRISMA-adapted protocol across five academic databases. Four principal contributions are made. First, a three-axis cost-expressivity-robustness taxonomy classifies all major encoding families - basis, angle, dense-angle, amplitude, data re-uploading, and IQP - along independently measurable axes. Second, closed-form depth-fidelity bounds under nisq decoherence channels identify the critical gate-error rate p* ~ 10^-3 below which amplitude encoding is viable. Third, a unified treatment of Fourier expressivity, barren-plateau onset, and quantum kernel concentration as functions of the encoding circuit provides the first joint trainability analysis. Fourth, a five-regime decision framework maps (D, n, p, tau) - feature dimension, qubit budget, error rate, and task type - to a hardware-grounded encoding recommendation. The central finding is that for p >= 10^-3, shallow angle-based encodings consistently outperform amplitude encoding in practice, despite the latter's exponential qubit advantage.
• Abstract（参考訳）: 古典的データの量子状態への符号化は、ノイズ中間スケール量子(nisq)デバイス上での量子機械学習(qml)における主要なパフォーマンスボトルネックを構成する。 既存のフレームワークでは、リソースコスト、表現力、ノイズの堅牢性を共同で特徴付けるものはなく、実践者のための実用的な選択ガイドラインも提供していない。 この調査は、5つの学術データベースにまたがるPRISMA適応プロトコルを通じて収集された66のプライマリワーク(2017-2026)の体系的なレビューを通じて、ギャップを解消する。 主な貢献は4つある。 第一に、3軸のコスト表現率-ロバスト性分類は、独立して測定可能な軸に沿って、ベース、アングル、密度アングル、振幅、データ再アップロード、IQPといった主要なエンコーディングファミリーを分類する。 第二に、nisqデコヒーレンスチャネルの下の閉形式深度-忠実境界は、振幅符号化が可能となる臨界ゲート-エラー率p*〜10^-3を同定する。 第3に、符号化回路の関数としてのフーリエ表現率、バレンプラトーオンセット、および量子核濃度の統一的な処理は、最初の関節トレーサビリティ解析を提供する。 第4に,5つの登録決定フレームワーク (D, n, p, tau) - 機能ディメンション,キュービット予算,エラー率,タスクタイプ - をハードウェアグラウンドのエンコードレコメンデーションにマップする。 中心的な発見は、p >= 10^-3 の場合、浅角に基づく符号化は、指数的量子ビットの優位性にもかかわらず、実際には振幅符号化よりも一貫して優れていることである。

関連論文リスト

• Beyond Encoder Accumulation: Measuring Encoder Roles in Multi-Encoder VLMs [50.3757247538081]
  我々は、統一パイプラインの下で、5つの共通ビジョンエンコーダの空でないサブセット31を再訓練し、評価する。 各エンコーダのコントリビューションを,容量と必要量という2つの軸に分解する。 エンコーダごとのプロジェクタ有効ランクは、残留スコアの変動を説明する。
  論文  参考訳（メタデータ） (2026-06-02T16:46:42Z)
• Rethink the Role of Neural Decoders in Quantum Error Correction [12.434295501714582]
  量子誤差補正(QEC)は、量子上の利点を実現するために不可欠である。 我々は,表面符号復号化のためのニューラルデコーダを,明示的な精度-遅延制約の下で再検討する。 FPGAハードウェア上でのデプロイ性と性能を評価するために,エンドツーエンド圧縮パイプラインを開発した。
  論文  参考訳（メタデータ） (2026-05-12T12:26:43Z)
• Triplet Loss Based Quantum Encoding for Class Separability [2.7641963278515114]
  符号化回路は、古典的な顔認識アルゴリズムにインスパイアされた三重項損失関数を用いて訓練される。 MNISTおよびMedMNISTデータセット上の様々なバイナリ分類タスクで実施されたベンチマークテストは、同じVQC構造を持つ振幅符号化よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-09-19T07:28:19Z)
• Requirements for Early Quantum Advantage and Quantum Utility in the Capacitated Vehicle Routing Problem [0.2578242050187029]
  CVRP(Capacitated Vehicle Problem)が早期量子優位性を実現するための,透過的かつ符号化に依存しないフレームワークを提案する。 我々の分析では、最高の場合であっても、ノイズの多い中間スケール量子(NISQ)ハードウェアでは、これはありそうにない。 CVRPの早期量子優位性のための候補インスタンスの特定に加えて、フレームワークはgo/no-goメトリックを統一する。
  論文  参考訳（メタデータ） (2025-09-14T23:23:00Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Data Encoding for VQC in Qiskit, A Comparison With Novel Hybrid Encoding [0.0]
  振幅符号化は必要な量子ビットを減らすため、アングル符号化は状態の自由を良くし、表現的符号化や位相に基づく区別に使用される。 本稿では,Amplitudeエンコーディングが要求されるqubitを削減し,Angleエンコーディングが状態自由度を向上し,表現的エンコーディングや位相に基づく区別に使用されることにより,効率的なqubit使用が保証されることを示す。
  論文  参考訳（メタデータ） (2025-03-18T09:36:09Z)
• Efficient and Universal Neural-Network Decoder for Stabilizer-Based Quantum Error Correction [44.698141103370546]
  GraphQECは、線形時間複雑性を持つ安定化器コードのグラフ構造を機械学習に活用した、コードに依存しないデコーダである。 我々の手法は、任意の安定化符号をまたいだリアルタイム量子誤り訂正のための最初の普遍解である。
  論文  参考訳（メタデータ） (2025-02-27T10:56:53Z)
• 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)
• Exploring the Potential of Qutrits for Quantum Optimization of Graph Coloring [0.0]
  Qutritsは、短期デバイス上のいくつかの問題を解決するのに役立つかもしれない。 我々はPennyLaneを用いてノイズレスシミュレーションを行い、量子ビットベースのQAOAに対する定式化を比較する。 この研究は、クォートリットが近距離デバイス上のいくつかの問題を解決するのに有用であることを示しているが、ノイズの多い環境におけるその可能性を評価するにはさらなる作業が必要であることを示唆している。
  論文  参考訳（メタデータ） (2023-08-15T21:31:37Z)
• The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
  データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。 本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-14T19:46:39Z)
• Dense Coding with Locality Restriction for Decoder: Quantum Encoders vs. Super-Quantum Encoders [67.12391801199688]
  我々は、デコーダに様々な局所性制限を課すことにより、濃密な符号化について検討する。 このタスクでは、送信者アリスと受信機ボブが絡み合った状態を共有する。
  論文  参考訳（メタデータ） (2021-09-26T07:29:54Z)

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。