論文の概要: Quantum-Enhanced Synthetic Data Generation Using Quantum Circuit Born Machines for Imbalanced Tabular Learning

• arxiv url: http://arxiv.org/abs/2607.09113v1
• Date: Fri, 10 Jul 2026 05:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.796992
• Title: Quantum-Enhanced Synthetic Data Generation Using Quantum Circuit Born Machines for Imbalanced Tabular Learning
• Title（参考訳）: 不均衡話者学習のための量子回路ボルニングマシンを用いた量子強化合成データ生成
• Abstract要約: 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。
• 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: Data scarcity and class imbalance are persistent challenges in machine learning that degrade model generalization and introduce predictive bias. We present a hybrid quantum-classical framework for synthetic data generation using a Quantum Circuit Born Machine (QCBM) to address these limitations. The proposed approach exploits quantum mechanical properties -- superposition and entanglement -- within a parameterized variational quantum circuit to model complex probability distributions that are difficult for classical generative methods to capture. Experiments are conducted on two tabular benchmark datasets: the Iris dataset and the Telco Customer Churn dataset. Preprocessing includes normalization and PCA-based dimensionality reduction to enable efficient basis encoding for quantum circuits. The QCBM is trained by minimizing Kullback-Leibler (KL) divergence between real and generated data distributions using a gradient-based parameter-shift optimization rule. Augmenting training data with QCBM-generated synthetic samples at 40-50% of the minority class improves F1-score by approximately 5-15% and minority-class recall by 10-25%. Cross-domain evaluations (Train on Synthetic, Test on Real; and Train on Real, Test on Synthetic) reveal a performance gap of only 3-10%, indicating strong distributional fidelity. Comparative analysis against classical oversampling methods -- SMOTE, Borderline-SMOTE, KMeansSMOTE, and SVM-SMOTE -- shows that QCBM achieves competitive classification performance and produces lower Maximum Mean Discrepancy (MMD) on the Telco dataset, suggesting superior structural similarity in certain imbalanced settings. These findings establish QCBM as a viable complementary tool for data augmentation, particularly for low-dimensional structured tabular data with class imbalance.
• Abstract（参考訳）: データ不足とクラス不均衡は、モデルの一般化を低下させ、予測バイアスを導入する機械学習における永続的な課題である。 本稿では,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ハイブリッド量子古典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の量子力学的性質(重ね合わせと絡み合い)を利用して、古典的な生成法では捉えにくい複雑な確率分布をモデル化する。 実験は、IrisデータセットとTelco Customer Churnデータセットの2つのベンチマークデータセットで実施されている。 プリプロセッシングは、量子回路の効率的な基底符号化を可能にするために、正規化とPCAベースの次元削減を含む。 QCBMは、勾配に基づくパラメータシフト最適化ルールを用いて、実データと生成データの間のKullback-Leibler(KL)のばらつきを最小化する。 マイノリティクラスの40～50%のQCBM合成サンプルによるトレーニングデータの増加は、F1スコアを約5～15%改善し、マイノリティクラスのリコールを10～25%向上させる。 クロスドメイン評価(Train on Synthetic, Test on Real, Train on Real, Test on Synthetic)では3～10%の差しか見られず、強い分布の忠実さを示している。 従来のオーバーサンプリング手法(SMOTE, Borderline-SMOTE, KMeansSMOTE, SVM-SMOTE)との比較分析により、QCBMは競合する分類性能を達成し、Telcoデータセット上で最大平均離散性(MMD)を低下させ、一定の不均衡な設定において優れた構造的類似性を示唆している。 これらの結果から,QCBMはデータ拡張の有効な補完ツールであり,特にクラス不均衡の低次元構造表データに対して有効であることがわかった。

関連論文リスト

• Discretization-Aware Fine-Tuning for Quantum Machine Learning with Chemical Foundation Models [0.0]
  実用的な量子機械学習(QML)の鍵となる課題は、高次元の古典データを小さな量子レジスタにエンコードする、短期的な量子デバイスの限られた能力である。 本稿では, 離散化対応微調整(DAFT)を導入し, 事前学習した化学基礎モデルを適用して, 量子化後の情報化を継続する表現を生成する手法を提案する。 我々は、同一の離散化ビットストリング入力を受ける制御された条件下で、量子モデルと古典モデルの両方を評価する。
  論文  参考訳（メタデータ） (2026-09-02T23:36:29Z)
• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Winning the Pruning Gamble: A Unified Approach to Joint Sample and Token Pruning for Efficient Supervised Fine-Tuning [71.30276778807068]
  サンプルプルーニングとトークンプルーニングを戦略的に協調する統合フレームワークを提案する。 Q-Tuningは、トレーニングデータの12.5%しか使用せず、全データSFTベースラインに対する平均38%の改善を実現している。
  論文  参考訳（メタデータ） (2025-09-28T13:27:38Z)
• Enhancing Machine Learning for Imbalanced Medical Data: A Quantum-Inspired Approach to Synthetic Oversampling (QI-SMOTE) [0.0]
  クラス不均衡は、マシンラーニング(ML)、特に医療領域において重要な課題である。 本研究では,新しいデータ拡張技術であるQuantum-Inspired SMOTE(QI-SMOTE)を紹介する。 QI-SMOTEは複雑なデータ構造を保存し、モデルの一般化と分類精度を向上させる合成インスタンスを生成する。
  論文  参考訳（メタデータ） (2025-09-02T22:20:46Z)
• Quantum-Accelerated Neural Imputation with Large Language Models (LLMs) [0.0]
  本稿では、浅い量子回路をLLMベースの計算アーキテクチャに統合する新しいフレームワークであるQuantum-UnIMPを紹介する。 ベンチマーク混合型データセットを用いた実験により, 数値特徴量(RMSE)の計算誤差を最大15.2%削減し, カテゴリー的特徴量(F1-Score)の分類精度を, 最先端の古典的手法とLLMベースの手法と比較して8.7%向上した。
  論文  参考訳（メタデータ） (2025-07-11T02:00:06Z)
• Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions [6.699192644249841]
  回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上など、債券投資戦略において重要な役割を担っている。 本稿では,Amplitudeを用いたハイブリッド量子機械学習(QML)モデルを提案する。 我々は1996年から2023年までの1,725の観測結果からなる地球規模の回復率データセット上でモデルを評価した。
  論文  参考訳（メタデータ） (2025-01-27T07:27:23Z)
• Quantum Kernel Learning for Small Dataset Modeling in Semiconductor Fabrication: Application to Ohmic Contact [18.42230728589117]
  我々は、浅いポーリZ特徴写像とトレーニング可能な量子カーネルアライメント層を組み合わせた量子カーネルアライメント回帰器(QKAR)を開発した。 QKARは、古典的なベースラインを複数のメトリクスで一貫して上回る。 これらの結果は、注意深く構築されたQMLモデルが、データ拘束型半導体モデリングにおいて予測上の利点をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2024-09-17T00:44:49Z)
• A Quantum Approach to Synthetic Minority Oversampling Technique (SMOTE) [1.5186937600119894]
  本稿では,機械学習データセットにおけるクラス不均衡の問題を解くために,Quantum-SMOTE法を提案する。 量子SMOTEはスワップテストや量子回転といった量子プロセスを用いて合成データポイントを生成する。 このアプローチは、Telecom Churnの公開データセットでテストされ、その影響と、さまざまな合成データの比率を決定する。
  論文  参考訳（メタデータ） (2024-02-27T10:46:36Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)

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。