論文の概要: A Controlled Benchmark of Quantum-Latent GAN Augmentation for Brain MRI

• arxiv url: http://arxiv.org/abs/2606.18970v2
• Date: Thu, 18 Jun 2026 07:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 13:55:51.903095
• Title: A Controlled Benchmark of Quantum-Latent GAN Augmentation for Brain MRI
• Title（参考訳）: 脳MRIにおける量子遅延GAN増幅の制御されたベンチマーク
• Authors: Syed Mujtaba Haider, Silvia Figini,
• Abstract要約: 本稿では,脳MRIへの量子ジェネレータの寄与を抽出するベンチマークを提案する。 拡張のバリエーションは、実データのみのトレーニングよりも大幅に優れています。 医用画像における量子生成増強の厳密な評価のためのテストベッドとして,本プロトコルを公開する。
• 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: Medical image classification is often constrained by limited labeled data, motivating generative augmentation; recently, quantum generative models have been proposed for this purpose, frequently reporting accuracy gains. However, such claims are typically based on single training runs, do not match the parameter budgets of the quantum and classical generators, and do not characterize the data regime in which any benefit appears. We present a controlled benchmark that isolates the contribution of a quantum generator to brain-MRI augmentation. Images are encoded into a KL-regularized latent space in which a conditional Wasserstein GAN with gradient penalty is trained using either a variational quantum generator or a classical generator of near-identical parameter count (1648 vs. 1632). Synthetic samples are decoded and used to augment a pretrained classifier across labeled data fractions from 5% to 100%, evaluated over eight random seeds with paired significance testing (with multiple-comparison correction) and with intraset diversity and latent-distribution analyses. Across all fractions, no augmentation variant significantly outperforms real-data-only training, and the quantum and classical generators are statistically indistinguishable. Any low-data benefit behaves as regularization rather than faithful data expansion:synthetic samples are off distribution and severely mode collapsed precisely where data is scarce, and the quantum generator is no more diverse thanits classical counterpart. We release the protocol as a testbed for rigorous evaluation of quantum generative augmentation in medical imaging.
• Abstract（参考訳）: 医学画像分類は、しばしば制限付きラベル付きデータによって制約され、生成増強を動機付け、近年、量子生成モデルがこの目的のために提案され、しばしば精度の向上を報告している。 しかしながら、そのような主張は典型的には単一のトレーニング実行に基づいており、量子および古典的生成器のパラメータ予算と一致せず、いかなる利点も現れるデータ構造を特徴づけない。 本稿では,脳MRIへの量子ジェネレータの寄与を分離する制御ベンチマークを提案する。 画像はKL規則化された潜伏空間に符号化され、変分量子発生器または近似パラメータ数(1648対1632)の古典的生成器を用いて条件付きワッサースタインGANを訓練する。 合成サンプルをデコードし、ラベル付きデータ分画を5%から100%に拡張し、8種類のランダム種子に対して、ペアの有意性試験(多重比較補正)と、セット内多様性および潜時分布分析で評価する。 全ての分数において、拡張のバリエーションは実データのみのトレーニングよりも著しく優れており、量子および古典的ジェネレータは統計的に区別できない。 低データの利点は、忠実なデータ展開よりも正規化として振る舞う:合成サンプルは分布が外れ、データが不足している場所で高度にモードが崩壊し、量子ジェネレータは古典的なものほど多様ではない。 医用画像における量子生成増強の厳密な評価のためのテストベッドとして,本プロトコルを公開する。

関連論文リスト

• Q-BAR: Blogger Anomaly Recognition via Quantum-enhanced Manifold Learning [0.0]
  レコメンデーション駆動のオンラインメディアでは、クリエーターは意味突然変異に悩まされ、悪意のある二次編集は意図した意味を変えながら視覚的忠実を保つ。 低データ状態における意味的異常を検出するためのハイブリッド量子古典的フレームワークQ-BARを提案する。 100人のクリエーターによるキュレートされたデータセットでは、従来のベースラインに比べてトレーニング可能なパラメータが大幅に少ない堅牢な検出性能を実現しています。
  論文  参考訳（メタデータ） (2025-12-11T19:39:45Z)
• Quantum Gated Recurrent GAN with Gaussian Uncertainty for Network Anomaly Detection [10.435718832887988]
  時系列データの異常検出は、ネットワークセキュリティに重要な意味を持つ重要な課題である。 最近の量子機械学習アプローチでは、異常検出のための複雑なデータ分布をキャプチャするが、制限されたキュービット数によって制限される。 本稿では,QGRU(Quantum Gated Recurrent Unit)をベースとしたGAN(Generative Adversarial Network)によるネットワーク異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-30T13:39:44Z)
• Improving GANs by leveraging the quantum noise from real hardware [0.0]
  本稿では,GAN(生成逆数ネットワーク)に対する新しいアプローチを提案する。 固有量子乱数性とデバイス固有の不完全性は、GAN性能を高める構造的帰納バイアスを与えることができることを示す。
  論文  参考訳（メタデータ） (2025-07-02T16:56:09Z)
• Enhancing Network Anomaly Detection with Quantum GANs and Successive Data Injection for Multivariate Time Series [6.576759206183036]
  本稿では,異常検出のためのQGANアーキテクチャを提案する。 データ再アップロードとSuDaIを統合することで、アプローチは古典的なデータを量子状態に効率的にマッピングする。 QGANは、異常検出において高いリコールとF1スコアとともに高い精度を達成し、古典モデルと比較して低いMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-16T18:47:42Z)
• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)
• Diverse Sample Generation: Pushing the Limit of Data-free Quantization [85.95032037447454]
  本稿では,データ不要なポストトレーニング量子化と量子化学習のための汎用的な2次サンプル生成手法を提案する。 大規模な画像分類タスクでは、DSGは既存のデータ自由量子化手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-09-01T07:06:44Z)
• Fast self-testing Quantum Random Number Generator based on homodyne detection [0.0]
  セルフテストとセミデバイス独立プロトコルは、量子技術にとって好ましい選択肢になりつつある。 量子乱数ビット発生率145.5MHzを認証する。
  論文  参考訳（メタデータ） (2020-04-17T15:35:33Z)

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。