論文の概要: Parameter-Efficient Continuous-Variable Photonic Quantum Neural Networks for Edge Quantum AI: Demonstration in Oral Cancer Detection

• arxiv url: http://arxiv.org/abs/2606.28252v1
• Date: Fri, 26 Jun 2026 16:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.542106
• Title: Parameter-Efficient Continuous-Variable Photonic Quantum Neural Networks for Edge Quantum AI: Demonstration in Oral Cancer Detection
• Title（参考訳）: エッジ量子AIのためのパラメータ効率の良い連続可変フォトニック量子ニューラルネットワーク:口腔癌検出における実証
• Abstract要約: スマートフォンベースのスクリーニングはスケーラブルな代替手段だが、エッジハードウェアの制約の中で動く軽量モデルが必要である。 CV-QNNの標準層に比べて40～45%のトレーニング可能なパラメータを削減できる簡易なDラウンドU$1$のCV-QNNアーキテクチャを提案する。 その結果,パラメータ効率,室温医用画像分類のためのCVフォトニック量子機械学習が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early detection of oral cancer markedly improves clinical outcomes, yet specialized diagnostic tools remain scarce in low-resource settings. Smartphone-based screening is a scalable alternative but needs lightweight models that run within edge-hardware constraints. Hybrid classical-quantum architectures are emerging candidates for parameter-efficient learning, yet most rely on qubit hardware that needs cryogenic operation, unsuitable for edge deployment. Continuous-variable (CV) photonic quantum computing, which operates at room temperature, offers a complementary route. We investigate a hybrid classical-CV quantum classifier for oral cancer detection from smartphone images. The pipeline combines a MobileNetV1 feature extractor, principal component analysis to 16 dimensions, and a parameterized CV-QNN of displacement, interferometric, and Kerr gates on a photonic backend. We propose a simplified $Φ\circ D \circ U_1$ CV-QNN architecture that cuts trainable parameters 40-45% relative to the standard CV-QNN layer of Killoran et al. (2019a), and identify dimensionality-reduction and encoding-restriction strategies that mitigate barren plateaus, raising loss-gradient variance by roughly 58 orders of magnitude. Whether the simplified layer beats the full layer is width-dependent: the full layer holds a small but significant edge at two qumodes, whereas the simplified layer is significantly better at four qumodes using 44% fewer parameters. The strongest model, a four-qumode simplified CV-QNN with only 18 parameters, attains the highest validation AUC of all models, exceeds a 55-parameter classical baseline using 67% fewer parameters, and reaches 100% calibrated test accuracy across all seeds. These results support CV photonic quantum machine learning for parameter-efficient, room-temperature medical image classification and motivate progress toward edge quantum AI.
• Abstract（参考訳）: 口腔癌の早期発見は臨床成績を著しく改善するが、低リソース環境では特別な診断ツールが不足している。 スマートフォンベースのスクリーニングはスケーラブルな代替手段だが、エッジハードウェアの制約の中で動く軽量モデルが必要である。 ハイブリッドな古典量子アーキテクチャはパラメータ効率の学習の候補となっているが、ほとんどの場合、エッジデプロイメントには適さない低温動作を必要とする量子ビットハードウェアに依存している。 室温で動作する連続可変(CV)フォトニック量子コンピューティングは相補的な経路を提供する。 スマートフォン画像からの口腔癌検出のためのハイブリッド古典CV量子分類器について検討する。 このパイプラインは、MobileNetV1特徴抽出器、16次元の主成分分析、フォトニックバックエンド上の変位、干渉、カーゲートのパラメータ化されたCV-QNNを組み合わせる。 我々は,Kiloran et al (2019a) の標準CV-QNN層に対して,40～45%のトレーニング可能なパラメータを削減し,バレン高原を緩和し,約58桁の損失勾配を増大させる,次元の縮小と符号化-制限戦略を簡易な$\circ D \circ U_1$ CV-QNNアーキテクチャを提案する。 単純化された層が全層を圧倒するか否かは幅依存であり、全層は2つのクォーモッドで小さいが重要なエッジを保持するが、単純化された層は4つのクォーモッドで44%少ないパラメータで著しく優れている。 最強モデルのCV-QNNは、わずか18のパラメータしか持たず、全てのモデルで最高精度のAUCを獲得し、67%のパラメータで55パラメータの古典的ベースラインを超え、全シードで100%の校正テスト精度に達する。 これらの結果は、パラメータ効率が高く、室温の医療画像分類のためのCVフォトニック量子機械学習をサポートし、エッジ量子AIに向けたモチベーションを向上する。

関連論文リスト

• Quantum-Inspired Hybrid Neural Networks for Neural Decoding: A Controlled Ablation Study of Learnable Quantum Sidecar Integration [5.2726003549534655]
  本稿では,ResNet-50バックボーン内に残余のサイドカーモジュールとして集積されたパラメータ化量子回路(PQCs)について検討した。 ベースライン, 量子サイドカーとフリーズインプットプロジェクション, バックボーン・グラディエント・トレーニングプロジェクションの量子サイドカー, アングルエンコーディングを回路計測結果と整合させる測定誘導変種を比較検討した。
  論文  参考訳（メタデータ） (2026-08-23T15:55:43Z)
• Quantum Kernel Estimation for the Discovery of Early Lung Cancer Detection [0.36944296923226316]
  DNA断片化とDNAメチル化を用いた肺がん検出のための量子古典的ハイブリッド機械学習の評価を行った。 フラグメントミクスでは、古典的なSVMベースラインに対するAUCが改善された。 メチル化では、古典的なSVMは最高のAUCを達成したが、選択された量子モデルは競争力を維持し、いくつかのケースでは特異性を改善した。
  論文  参考訳（メタデータ） (2026-08-19T17:57:25Z)
• LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification [0.0]
  本稿では,Zhuang と Cunningham が提案した AdaInit (Adaptive Initialization) を評価し,大規模言語モデルを用いて量子ニューラルネットワークの初期パラメータを提案する。 AdaInitは、ランダムに14.6倍の勾配を提供し、160倍の収束を実現し、同じ分類精度は61.4パーセントを維持している。 この結果は、AdaInitを医用画像設定で検証し、実用的なスピードアップのためにGPU加速量子バックエンドとの互換性を実証する。
  論文  参考訳（メタデータ） (2026-07-29T07:24:48Z)
• Configurable Algorithms for Histopathologic Cancer Detection on Quantum Hardware [3.569867801312132]
  病理組織学的癌検出は, 組織変動, 染色の違い, 病巣間の微妙な視覚的区別が原因で困難である。 本稿では,二段階CSWAP回路(DG-CSWAP)とハードウェア効率の高い破壊スワップ回路(DG-DST)の2つの量子アルゴリズムを提案する。 読み出し誤差補正、バイアスサブトラクション、傾斜回帰を含む3段階のNISQ軽減パイプラインは、シングルピクセルのハードウェアMSEを8倍削減する。
  論文  参考訳（メタデータ） (2026-06-19T21:12:51Z)
• Gradient Clipping Beyond Vector Norms: A Spectral Approach for Matrix-Valued Parameters [48.3175117923623]
  ほとんどの勾配クリッピング規則は、全てのパラメータを重ベクトルとして扱い、現代のベクトルの行列構造を無視する。 実験により、データのアウトリーチは、少数のリード特異値のみを増幅することを示した。 この現象を動機として,特異値で安定化するクリッピングを提案する。
  論文  参考訳（メタデータ） (2026-05-12T09:24:59Z)
• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• Lightweight Quantum-Enhanced ResNet for Coronary Angiography Classification: A Hybrid Quantum-Classical Feature Enhancement Framework [0.0]
  冠動脈造影画像のバイナリ分類のための軽量量子強化レスネット(LQER)を提案する。 独立したテストセットでは、提案されたLQERが古典的なResNet18ベースライン、AUC、F1スコアを上回り、90%を超えるテスト精度を達成した。
  論文  参考訳（メタデータ） (2026-01-22T11:15:18Z)
• Quantum Surrogate-Driven Image Classifier: A Gradient-Free Approach to Avoid Barren Plateaus [5.825061375565821]
  画像分類のための深部量子ニューラルネットワーク(QNN)の訓練は、純ユニタリ回路における勾配(バレンプラトー)と限られた非線形性のため、非常に難しい。 そこで本研究では,非一様性を引き出すために,中間回路測定とアシラリー量子ビットのリセットを併用した勾配フリーサロゲート駆動型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-08T13:51:57Z)
• From $\mathcal{O}(n^{2})$ to $\mathcal{O}(n)$ Parameters: Quantum Self-Attention in Vision Transformers for Biomedical Image Classification [1.3518297878940662]
  自己アテンション(SA)機構を持つ量子ビジョントランスフォーマー(QViT)は、量子自己アテンション(QSA)機構に置き換えられる。 RetinaMNISTでは,超パラメータ効率のQViTが13/14 SOTA法より優れており,CNNやViTが優れている。 我々の高量子アーキテクチャはKD事前学習の恩恵を受けており、QSAパラメータとKDの有効性のスケーリング関係が示唆された。
  論文  参考訳（メタデータ） (2025-03-10T13:16:48Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Development of a Novel Quantum Pre-processing Filter to Improve Image Classification Accuracy of Neural Network Models [1.2965700352825555]
  本稿では,ニューラルネットワーク(NN)モデルの画像分類精度を向上させるために,新しい量子前処理フィルタ(QPF)を提案する。 その結果,MNIST (手書き10桁) とEMNIST (手書き47桁と文字) のデータセットに基づく画像分類精度を向上させることができた。 しかし,43種類の実生活交通標識画像を用いた比較的複雑なGTSRBデータセットに対するQPF手法による検証の結果,分類精度の低下が認められた。
  論文  参考訳（メタデータ） (2023-08-22T01:27:04Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Multi-Slice Net: A novel light weight framework for COVID-19 Diagnosis [38.32234937094937]
  本稿では,CTスキャンを用いた軽量な新型コロナウイルス診断フレームワークを提案する。 特徴抽出器として強力なバックボーンネットワークを用い,識別的スライスレベルの特徴を抽出する。 これらの特徴は、患者レベル診断を得るために、軽量ネットワークによって集約される。
  論文  参考訳（メタデータ） (2021-08-09T02:46:11Z)
• Q-ASR: Integer-only Zero-shot Quantization for Efficient Speech Recognition [65.7040645560855]
  ASRモデルに対する整数のみのゼロショット量子化スキームであるQ-ASRを提案する。 全精度ベースラインモデルと比較すると,wrの変化は無視できる。 Q-ASRは、WER劣化が少ない4倍以上の圧縮率を示します。
  論文  参考訳（メタデータ） (2021-03-31T06:05:40Z)

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。