論文の概要: Quantum Generative Diffusion Model for Real-World Time Series

• arxiv url: http://arxiv.org/abs/2606.27561v1
• Date: Thu, 25 Jun 2026 21:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.317128
• Title: Quantum Generative Diffusion Model for Real-World Time Series
• Title（参考訳）: 実時間時系列の量子生成拡散モデル
• Abstract要約: 時系列合成のための量子生成拡散モデルQDiffusion-TSを提案する。 このフレームワークは、デノナイジング変換器内のフィードフォワードコンポーネントを量子ニューラルネットワークに置き換えることで、古典的な拡散アーキテクチャを拡張している。 量子拡張アーキテクチャは、パラメータが大幅に少ない古典的性能に一貫して適合し、頻繁に超えることを示す。
• 参考スコア（独自算出の注目度）: 4.056039458255759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have achieved remarkable success in data synthesis, though recent advances driven by increasing model scale have introduced challenges in computational cost and efficiency. Quantum machine learning offers a promising alternative, representing complex data distributions using compact, highly expressive models. Here, we propose QDiffusion-TS, the first quantum generative diffusion model for time series synthesis, and validate it on the IQM quantum processor. The framework extends a classical diffusion architecture by replacing feed-forward components within the denoising transformer with quantum neural networks, yielding a hybrid quantum transformer that reduces the number of trainable parameters in each replaced component by nearly three orders of magnitude. Evaluated on financial time series from Apple and Amazon, the model generates synthetic data that more accurately reproduces the real distributions, reducing Wasserstein distance by approximately 44% relative to its classical counterpart across both datasets. In a downstream forecasting task, augmentation with the generated data improves predictive performance by up to 71% in RMSE over a baseline trained solely on real data. These results show that quantum enhanced architectures can consistently match and frequently surpass classical performance with substantially fewer parameters, establishing a practical framework towards more efficient and scalable data-driven generative modelling.
• Abstract（参考訳）: 生成モデルは、データ合成において顕著な成功を収めてきたが、モデルスケールの増加による最近の進歩は、計算コストと効率の課題をもたらしている。 量子機械学習は、コンパクトで高表現力のあるモデルを使用して複雑なデータ分散を表現する、有望な代替手段を提供する。 本稿では、時系列合成のための最初の量子生成拡散モデルであるQDiffusion-TSを提案し、IQM量子プロセッサ上で検証する。 このフレームワークは、デノナイジング変換器内のフィードフォワード成分を量子ニューラルネットワークに置き換えることで古典的な拡散アーキテクチャを拡張し、置換された各コンポーネントのトレーニング可能なパラメータ数を3桁近く削減するハイブリッド量子トランスフォーマーを生成する。 AppleとAmazonの財務時系列に基づいて評価されたこのモデルは、実際の分布をより正確に再現する合成データを生成する。 下流予測タスクでは、生成されたデータによる拡張により、実際のデータのみに基づいてトレーニングされたベースライン上でRMSEの最大71%の予測性能が向上する。 これらの結果から、量子拡張アーキテクチャは、パラメータが大幅に少ない古典的性能を一貫して上回り、より効率的でスケーラブルなデータ駆動生成モデリングに向けた実践的な枠組みを確立することができることが示された。

関連論文リスト

• Do emulated quantum circuits change what CNNs look at? Performance and explainability comparison in medical image classification [0.879504058268139]
  本研究では, 量子回路の小型化が複雑モデルにおいて有意義な役割を果たすかどうかを考察する。 本稿では、パラメータマッチング型古典畳み込みニューラルネットワーク(CNN)と比較して、ハイブリッド量子インスパイアされた畳み込みニューラルネットワーク(HQiCNN)の有効性に関する体系的研究を行う。 HQiCNNは中間データレシエーションで最大のゲインを達成し、CNNは両方のデータセットで最大のトレーニングセットで最高のアキュラティに達する。
  論文  参考訳（メタデータ） (2026-07-23T11:15:35Z)
• Quantum-Enhanced Synthetic Data Generation Using Quantum Circuit Born Machines for Imbalanced Tabular Learning [0.0]
  量子回路ボルンマシン(QCBM)を用いた合成データ生成のための量子古典的フレームワークを提案する。 提案手法はパラメータ化された変分量子回路内での量子力学的特性(重ね合わせと絡み合い)を利用する。 本稿では,QCBM が競合分類性能を達成し,Telco データセット上での平均最大離散性 (MMD) を低下させることを示す。
  論文  参考訳（メタデータ） (2026-07-10T05:53:29Z)
• Coupling Models for One-Step Discrete Generation [50.37847093567075]
  カップリングモデル(英: Coupling Models)は、離散列とガウス列の間の直接結合を学習する一段階の離散生成モデルである。 単純なデータ間結合と手動で特定したデータ間結合による複雑な連続フローを回避する。 LM1Bテキスト生成パープレキシティを最低パープレキシティ動作ポイントで33%削減する。
  論文  参考訳（メタデータ） (2026-05-08T03:40:39Z)
• Model Inversion with Layer-Specific Modeling and Alignment for Data-Free Continual Learning [19.12792297140574]
  継続的な学習は、以前のタスクのパフォーマンスを維持しながら、一連のタスクでモデルを漸進的にトレーニングすることを目的としています。 データの保存と再生は、プライバシやセキュリティ上の制約によって不可能になることが多い。 単層最適化における高速収束にインスパイアされたPMI(Per-layer Model Inversion)を提案する。
  論文  参考訳（メタデータ） (2025-10-30T09:58:48Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Quantum-Noise-Driven Generative Diffusion Models [1.6385815610837167]
  実量子システムで実験的に検証できる3つの量子ノイズ駆動生成拡散モデルを提案する。 アイデアは、特にコヒーレンス、絡み合い、ノイズの間の非自明な相互作用を、ユニークな量子的特徴を活用することである。 我々の結果は、新しい量子インスパイアされた、あるいは量子ベースの生成拡散アルゴリズムの道を開くことが期待されている。
  論文  参考訳（メタデータ） (2023-08-23T09:09:32Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• ClusterQ: Semantic Feature Distribution Alignment for Data-Free Quantization [111.12063632743013]
  本稿では,ClusterQと呼ばれるデータフリーな量子化手法を提案する。 意味的特徴のクラス間分離性を高めるために,特徴分布統計をクラスタ化し,整列する。 また、クラス内分散を組み込んで、クラスワイドモードの崩壊を解決する。
  論文  参考訳（メタデータ） (2022-04-30T06:58:56Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)

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。