論文の概要: Quantum vs. Classical Machine Learning: A Unified Empirical Comparison

• arxiv url: http://arxiv.org/abs/2607.01197v2
• Date: Thu, 02 Jul 2026 11:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.514733
• Title: Quantum vs. Classical Machine Learning: A Unified Empirical Comparison
• Title（参考訳）: 量子対古典的機械学習:統一的な経験的比較
• Authors: Chuanming Yu, Jiaming Liu, Zihao Ge, Xiongfei Wu, Lulu Zhu, Pengzhan Zhao, Jianjun Zhao,
• Abstract要約: 機械学習(ML)のための有望な計算パラダイムとして量子コンピューティングが登場した 本稿では,QMLモデルとその古典モデルの性能に関する実証的研究について述べる。 以上の結果から,評価された量子機械学習モデルは,予測性能,ポリシ安定性,トレーニング時間などにおいて,従来のベースラインを超えていないことが示唆された。
• 参考スコア（独自算出の注目度）: 10.075151372597423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computing has emerged as a promising computational paradigm for machine learning (ML), with the potential to offer computational advantages over classical approaches. At this stage, the evidence supporting the performance and advantages of quantum machine learning (QML) models relative to classical models is insufficient. To address this gap, this paper presents an empirical study on the performance of QML models and their classical counterparts. We compare seven model pairs spanning supervised learning and reinforcement learning. Our results indicate that the evaluated quantum machine learning models do not yet surpass the classical baselines in overall prediction performance, policy stability, or training time. Nevertheless, QML remains a promising approach for filtering noise and controlling false positives. Our research findings summarize the challenges facing quantum machine learning across hardware environments, training efficiency, and convergence stability, providing a foundation for research into the robustness and parameter optimization of QML. This work is publicly available at https://github.com/Z-537-437/QML.
• Abstract（参考訳）: 量子コンピューティングは機械学習(ML)の有望な計算パラダイムとして登場し、古典的なアプローチよりも計算上の優位性を提供する可能性がある。 この段階では、古典的モデルに対する量子機械学習(QML)モデルの性能と利点を支持する証拠は不十分である。 このギャップに対処するため,本研究では,QMLモデルとその古典的モデルの性能に関する実証的研究を行った。 教師付き学習と強化学習にまたがる7つのモデルペアを比較した。 以上の結果から,評価された量子機械学習モデルは,予測性能,ポリシ安定性,トレーニング時間などにおいて,従来のベースラインを超えていないことが示唆された。 それでもQMLは、ノイズをフィルタリングし、偽陽性を制御するための有望なアプローチである。 我々の研究結果は、ハードウェア環境における量子機械学習の課題、トレーニング効率、収束安定性を要約し、QMLの堅牢性とパラメータ最適化の研究基盤を提供する。 この作品はhttps://github.com/Z-537-437/QMLで公開されている。

関連論文リスト

• A Primer on Quantum Machine Learning [0.0]
  量子機械学習(Quantum Machine Learning, QML)は、量子力学のリソースを応用して学習問題を解決するための計算パラダイムである。 我々は、実用性と保証、アクセスモデルとスピードアップ、古典的なベースラインの間のフィールドの緊張関係について概説する。 我々はQMLのランドスケープのフレンドリーなマップを提供することを目標とし、読者がいつ、そしてどの仮定量子アプローチが真に利益をもたらすかを判断できるようにする。
  論文  参考訳（メタデータ） (2025-11-20T01:47:21Z)
• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• Computable Model-Independent Bounds for Adversarial Quantum Machine Learning [4.857505043608425]
  本稿では、量子ベースの逆数攻撃に対するモデルレジリエンスを評価する際に、逆数誤差の近似的下界について紹介する。 最良の場合、実験誤差は推定境界より10%だけ高く、量子モデルの本質的なロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-11T10:56:31Z)
• Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
  我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。 評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T18:23:21Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• A Novel Stochastic LSTM Model Inspired by Quantum Machine Learning [0.0]
  過去数年間の量子機械学習(QML)の研究は、QMLアルゴリズムが従来のアルゴリズムと同様に機能することを示唆している。 この研究は、QMLが古典機械にその性質を組み込むことで、いくつかの報告された利益を達成できるかどうかを解明することを目的としている。
  論文  参考訳（メタデータ） (2023-05-17T13:44:25Z)
• 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 didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• A preprocessing perspective for quantum machine learning classification advantage using NISQ algorithms [0.0]
  変分量子アルゴリズム(VQA)は,LDA法とバランスの取れた精度で性能が向上したことを示す。 現在の量子コンピュータはノイズが多く、テストする量子ビットは少ないため、QML法の現在の量子的利点と潜在的な量子的優位性を実証することは困難である。
  論文  参考訳（メタデータ） (2022-08-28T16:58:37Z)

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。