論文の概要: Image classification via a quantum-inspired strategy involving a mixture of experts

• arxiv url: http://arxiv.org/abs/2607.07754v1
• Date: Wed, 08 Jul 2026 13:41:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.288132
• Title: Image classification via a quantum-inspired strategy involving a mixture of experts
• Title（参考訳）: 専門家の混在を伴う量子インスピレーション戦略による画像分類
• Abstract要約: 我々は、専門家の混在を伴うより効率的な量子に触発された戦略を提案し、実証する。 量子部分は、画像の振幅エンコーディング、局所的なユニタリ演算を用いた畳み込み、複数の専門家が異なるパラメータで同じ画像を処理し、量子安定化器符号を用いた特徴抽出からなる。 MNISTとFashion-MNISTのデータセットをベンチマークとして、共同専門家分析が個々の専門家よりも優れており、画像クラス予測の失敗率を約2倍に低下させることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pattern recognition problems arise in a variety of physical image processing situations, and convolutional neural networks are a popular scheme for the required feature extraction and classification tasks. The classical networks use diffusion-based smearing and block-wise pooling to downsample the image data and capture important structural features. In this work, we propose and demonstrate a more efficient quantum-inspired strategy involving a mixture of experts. It is a hybrid classical-quantum framework. The quantum part consists of amplitude encoding of the images, convolution using local unitary operations, multiple experts processing the same image with different parameters, and feature extraction using quantum stabiliser codes. The classical part then jointly processes the features extracted by different experts using a standard fully connected neural network for image class prediction. Using MNIST and Fashion-MNIST datasets as benchmarks, we demonstrate that the joint expert analysis outperforms the individual expert one, as well as reduces the failure rate of image class prediction by around a factor of two. The overhead of our quantum-inspired strategy is only moderate on GPU workstations, which makes our proposal a practical alternative to existing classical schemes. We also point out how the quantum part of our framework can be executed on a quantum processor.
• Abstract（参考訳）: パターン認識問題は様々な物理画像処理の状況で発生し、畳み込みニューラルネットワークは必要な特徴抽出と分類タスクの一般的なスキームである。 古典的ネットワークは拡散に基づくスミアリングとブロックワイドプーリングを使用して画像データをダウンサンプリングし、重要な構造的特徴を捉えている。 本研究では、専門家の混在を伴うより効率的な量子インスピレーション戦略を提案し、実証する。 古典量子ハイブリッドフレームワークである。 量子部分は、画像の振幅エンコーディング、局所的なユニタリ演算を用いた畳み込み、複数の専門家が異なるパラメータで同じ画像を処理し、量子安定化器符号を用いた特徴抽出からなる。 古典的な部分は、画像クラスの予測のために標準の完全連結ニューラルネットワークを使用して、異なる専門家によって抽出された特徴を共同で処理する。 MNISTとFashion-MNISTのデータセットをベンチマークとして、共同専門家分析が個々の専門家よりも優れており、画像クラス予測の失敗率を約2倍に低下させることを示した。 量子にインスパイアされた戦略のオーバーヘッドはGPUワークステーションにのみ適しており、私たちの提案は既存の古典的なスキームに代わる実用的な代替手段となる。 また、我々のフレームワークの量子部分が量子プロセッサ上でどのように実行されるかも指摘します。

関連論文リスト

• Resource-Efficient Quantum-Enhanced Compressive Imaging via Quantum Classical co-Design [0.0]
  量子センシングは、古典的な限界以下の測定ノイズを減らすことにより、撮像性能を向上させることができる。 従来の量子イメージングスキームでは、各ピクセルまたは空間モードに独立してスクイーズが適用される。 量子ハードウェア層と古典ソフトウェア層との共設計により、量子リソース割り当てと古典的圧縮画像からのガイダンスを統合することで、必要な量子リソースを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2026-04-17T19:41:24Z)
• On the Importance of Fundamental Properties in Quantum-Classical Machine Learning Models [0.0]
  本稿では、量子回路設計が因果分類タスクにおけるハイブリッド量子古典ニューラルネットワークの性能にどのように影響するかを体系的に研究する。 このアーキテクチャは、古典的な特徴抽出のための畳み込みニューラルネットワークと、量子層として機能するパラメータ化量子回路を組み合わせる。 その結果、アンザッツ繰り返しの増加は一般化と訓練の安定性を向上させるが、利点は一定の深さを超える傾向にあることが示された。 複数軸のパウリ回転を持つエンコーディングだけが学習を成功させる一方で、より単純なマップはクラス分離性の不足や損失につながる。
  論文  参考訳（メタデータ） (2025-07-14T11:18:53Z)
• 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)
• Quantum Transfer Learning for MNIST Classification Using a Hybrid Quantum-Classical Approach [0.0]
  我々は、MNIST桁の画像を低次元の特徴空間に圧縮する画像分類のためのハイブリッド量子古典モデルを実装した。 オートエンコーダは、各28タイムs28$イメージ(784ピクセル)を64次元潜在ベクトルに圧縮する。 これらの特徴を5量子ビット量子状態にマッピングする。
  論文  参考訳（メタデータ） (2024-08-05T22:16:27Z)
• Digital-analog quantum convolutional neural networks for image classification [3.7691369315275693]
  我々は、中性原子量子プロセッサにおけるネイティブIsing相互作用から生じる多部結合アナログブロックについて考察する。 ハードウェアの制約に応じて量子ビット接続を可変させることにより、複数の量子カーネルを適用する。 非トレーニング可能な量子カーネルと標準的な畳み込みニューラルネットワークを組み合わせたアーキテクチャは、現実的な医療画像の分類に使用される。
  論文  参考訳（メタデータ） (2024-05-01T14:43:20Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• 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)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Hybrid Quantum-Classical Generative Adversarial Network for High Resolution Image Generation [14.098992977726942]
  量子機械学習(QML)は、古典的な機械学習手法を様々な問題で上回る可能性を秘め、注目を集めている。 QML手法のサブクラスは量子生成逆数ネットワーク(QGAN)であり、古典的なGANの量子対数として研究されている。 ここでは、古典的および量子的手法を統合し、新しいハイブリッド量子古典的GANフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T11:18:35Z)
• RGB Image Classification with Quantum Convolutional Ansaetze [18.379304679643436]
  本稿では,RGB画像上の畳み込み操作をシミュレートする2種類の量子回路アンセッツェを提案する。 我々の知る限りでは、これはRGB画像を効果的に扱う量子畳み込み回路の最初の作品である。 また、量子回路アンサッツの大きさとハイブリッド量子古典畳み込みニューラルネットワークの学習性との関係についても検討する。
  論文  参考訳（メタデータ） (2021-07-23T09:38:59Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。