論文の概要: Formulation-Level Auto-Tuning for QUBO-Based Machine Learning: A Case Study Across Multiple Quantum-Inspired Annealers
- arxiv url: http://arxiv.org/abs/2607.18774v1
- Date: Tue, 21 Jul 2026 06:56:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.341819
- Title: Formulation-Level Auto-Tuning for QUBO-Based Machine Learning: A Case Study Across Multiple Quantum-Inspired Annealers
- Title（参考訳）: QUBOに基づく機械学習のための定式化レベル自動チューニング:複数量子インスパイアされたアニーラーを事例として
- Abstract要約: 本稿では,サポートベクトルマシン(SVM)のためのOptunaベースの定式化レベル自動チューニングフレームワークを提案する。
連続双対変数は離散化され、2次非制約バイナリ最適化(QUBO)モデルに変換される。
0-20%のラベルノイズを持つ線形および非線形分類タスクの実験では, それぞれ0.8点と2.1点のグリッド探索よりも平均的なゲインが得られた。
- 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: This paper presents an Optuna-based formulation-level auto-tuning framework for support vector machines (SVMs) implemented on multiple quantum-inspired annealers. In an annealing-based SVM, continuous dual variables are discretized and converted into a quadratic unconstrained binary optimization (QUBO) model. This transformation introduces three coupled classes of parameters: representation parameters-the encoding base B and bit depth K-which determine numerical range, resolution, and QUBO size; the RBF kernel parameter γ, which determines classifier geometry; and the equality-constraint penalty ξ, which controls feasibility and coefficient balance. We formulate their joint selection as a mixed discrete-continuous black-box optimization problem. The framework has two optimization levels: an inner annealer minimizes the generated QUBO, while an outer Optuna loop reconstructs the formulation in every trial and maximizes validation accuracy. The same solver-agnostic procedure is applied to Fixstars Amplify Annealing Engine, Toshiba SQBM+, and Fujitsu Digital Annealer using TPE and Gaussian-process samplers and is compared with conventional grid search. Experiments on linear and nonlinear classification tasks with 0-20% label noise show mean gains over grid search of approximately 0.8 and 2.1 percentage points, respectively. The results demonstrate that formulation quality and backend capability must be evaluated jointly and that task-level feedback can compensate for discretization, penalty imbalance, and backend-dependent approximate optimization.
- Abstract（参考訳）: 本稿では,複数の量子インスパイアされたアニール上に実装されたサポートベクトルマシン(SVM)のための,Optunaベースの定式化レベル自動チューニングフレームワークを提案する。
熱処理に基づくSVMでは、連続双対変数は離散化され、2次非制約バイナリ最適化(QUBO)モデルに変換される。
この変換では、数値範囲、解像度、QUBOサイズを決定する表現パラメーター-エンコーディングベースBとビット深さK-、分類器幾何を決定するRBFカーネルパラメータγ、実現可能性と係数バランスを制御する等式制約ペナルティの3つの結合クラスが導入された。
混合離散連続ブラックボックス最適化問題としてそれらの結合選択を定式化する。
内部アニールは生成したQUBOを最小にし、外部オプトゥーナループは試験毎に定式化を再構築し、検証精度を最大化する。
また,TPEとガウス処理を用いたFixstars Amplify Annealing Engine, Toshiba SQBM+, Fujitsu Digital Annealerにも同様の手法を適用し,従来のグリッドサーチと比較した。
0-20%のラベルノイズを持つ線形および非線形分類タスクの実験では、グリッドサーチでそれぞれ0.8と2.1のパーセンテージが得られた。
その結果、定式化の品質とバックエンドの能力は共同で評価され、タスクレベルのフィードバックは、離散化、ペナルティの不均衡、バックエンドに依存した近似最適化を補うことができることを示した。
関連論文リスト
- Implicit Differentiation for Measurement-Efficient Bilevel Quantum-Classical Optimization [2.5234274237739402]
本稿では,変分量子アルゴリズム(VQA)がパラメトリック問題を効率的に扱う方法を示す。
可変外パラメータに依存する対角的コストハミルトニアンの2レベル最適化モデルを提案する。
3つのファミリーでの実験では、CR-IDは予算正規化効率を1Dで4%、多次元設定で14%向上している。
論文 参考訳（メタデータ） (2026-08-07T19:03:43Z) - Hamiltonian-Guided Leverage Embedding: Robust Subspace Compression for Efficient QAOA Parameter Estimation [6.1401581501410085]
このアルゴリズムは、短期量子デバイスを最適化するためのハイブリッド量子古典的フレームワークである。
低エネルギーの量子サンプルをイジング行列に符号化し、圧縮する。
論文 参考訳（メタデータ） (2026-06-05T19:47:28Z) - Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳（メタデータ） (2026-06-05T14:00:47Z) - Implicit Binarization via Complex Phase Dynamics in Combinatorial Optimization [5.3548017019682]
そこで本研究では,NP硬化型最適化問題に対する解法を大幅に改善する,物理に着想を得た連続緩和フレームワークを提案する。
大規模QUBOMP構成では,重音速でゼロ誤差を達成できた。
論文 参考訳（メタデータ） (2026-05-23T10:18:58Z) - Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware [4.622928173506349]
本稿では,高次非制約二元最適化(HUBO)の定式化に基づく量子的特徴選択フレームワークを提案する。
提案モデルには,相互情報量から導出される1,2,3体相互作用項が含まれる。
提案したワークフローをGallstoneデータセットとSpambaseデータセットという2つのベンチマーク分類データセットで評価する。
論文 参考訳（メタデータ） (2026-04-29T16:01:39Z) - Neural Network Pruning via QUBO Optimization [0.08796261172196741]
グローバル最適化による推定の重要性を橋渡しするハイブリッドQUBOフレームワークを提案する。
本定式化では,2次項におけるデータ駆動的類似性を活用しながら,勾配認識感度指標を線形項に統合する。
SIDD画像復調データセットの実験では、提案されたハイブリッドQUBOは、グリーディ・テイラープルーニングと従来のL1ベースのQUBOの両方で著しく優れていた。
論文 参考訳（メタデータ） (2026-04-07T13:16:40Z) - Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。
既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。
本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
論文 参考訳（メタデータ） (2025-12-28T05:48:55Z) - A Gradient Meta-Learning Joint Optimization for Beamforming and Antenna Position in Pinching-Antenna Systems [63.213207442368294]
マルチ導波路ピンチアンテナシステムの新しい最適化設計について検討する。
提案したGML-JOアルゴリズムは,既存の最適化手法と比較して,様々な選択や性能に頑健である。
論文 参考訳（メタデータ） (2025-06-14T17:35:27Z) - Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Decomposed Global Optimization for Robust Point Matching with Low-Dimensional Branching [41.05165517541873]
部分重なり合う点集合を整列する新しい大域的最適化手法を提案する。
本手法は非剛性変形, 位置雑音, 外れ値に優れた強靭性を示す。
2次元および3次元合成および実世界のデータを用いた実験により,本手法は最先端の手法と比較して,外れ値に対して優れた強靭性を示すことが示された。
論文 参考訳（メタデータ） (2024-05-14T13:28:57Z) - A Near-Optimal Single-Loop Stochastic Algorithm for Convex Finite-Sum Coupled Compositional Optimization [53.14532968909759]
ALEXRと呼ばれる,効率的な単ループプリマル・デュアルブロック座標アルゴリズムを提案する。
本研究では, ALEXR の凸面および強凸面の収束速度を滑らか性および非滑らか性条件下で確立する。
CFCCO の ROC 曲線の下での GDRO および部分領域の実験結果から,提案アルゴリズムの有望な性能を示す。
論文 参考訳（メタデータ） (2023-12-04T19:00:07Z) - A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。
これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。
本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。
我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。
また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
論文 参考訳（メタデータ） (2021-07-02T16:21:52Z)
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。