論文の概要: A Multiclass Quantum Aligned Centroid Kernel

• arxiv url: http://arxiv.org/abs/2607.19782v1
• Date: Wed, 22 Jul 2026 06:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.988297
• Title: A Multiclass Quantum Aligned Centroid Kernel
• Title（参考訳）: 多クラス量子アライメントセントロイドカーネル
• Abstract要約: マルチクラス問題に対するトレーニング可能な量子カーネル法であるMcQuackを提案する。 シミュレーションおよび2つのIBMデバイスの124量子ビット上でモデルを評価した。
• 参考スコア（独自算出の注目度）: 0.17188280334580197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kernel methods are powerful tools in machine learning but commonly used full-Gram kernels face three key limitations: (1) quadratic scaling with training set size; (2) the use of fixed, non-trainable kernels; and (3) the absence of an intrinsic formulation for multiclass classification. We present McQuack, a trainable quantum kernel method for multiclass problems that achieves linear scaling in the number of training samples. This is accomplished by replacing the full training-set Gram matrix with a trainable sample-to-(class-centroid) fidelity matrix. We evaluate the model in simulation and on 124 qubits of two IBM devices, across more than 150 datasets. In simulation, McQuack outperforms existing "pure" quantum baselines, while results from hardware inference -- obtained without training -- achieve performance similar to an RBF kernel. Finally, we study the trainability of the model and observe no evidence of barren plateaus in our experiments with up to 13 qubits, and highlight the importance of parameter initialization for successful optimization.
• Abstract（参考訳）: カーネル法は機械学習において強力なツールであるが、一般的に使用されるフルグラムカーネルには、(1)トレーニングセットサイズの2次スケーリング、(2)固定された非トレーニング可能なカーネルの使用、(3)マルチクラスの分類に固有の定式化がないという3つの重要な制限がある。 トレーニングサンプル数の線形スケーリングを実現するマルチクラス問題に対するトレーニング可能な量子カーネルであるMcQuackを提案する。 これは、フルトレーニングセットのグラム行列をトレーニング可能なサンプル・トゥ・(クラスセントロイド)忠実度行列に置き換えることによって達成される。 シミュレーションと2つのIBMデバイスの124キュービット上で,150以上のデータセットにわたってモデルを評価した。 シミュレーションでは、McQuackは既存の"純粋な"量子ベースラインを上回り、ハードウェア推論(トレーニングなしで得られる)の結果はRBFカーネルと同様のパフォーマンスを達成する。 最後に, モデルのトレーニング性について検討し, 最大13量子ビットでの実験において不規則なプラトーの証拠は見つからず, パラメータ初期化の重要性を強調した。

関連論文リスト

• Evaluating Quantum Kernel Methods for Track-Based Classification in High-Energy Physics [0.0]
  本稿では,CLAS12ドリフトチャンバーを用いた大規模量子カーネル分類の設計について述べる。 各イベントは、完全に絡み合ったZZFeatureMapを介して6量子状態にエンコードされる。
  論文  参考訳（メタデータ） (2026-08-27T16:35:30Z)
• MALOQ: Massively Accelerated Learning of Operators for Quantum Transport [71.9141151643915]
  MALOQは、少数の原子から100kの系の電子構造行列をトレーニングし、予測するために開発されたアプリケーションである。 分子ワイド分散フレームワークと比較して、エポック当たりの時間を30%以上削減する。 アルプススーパーコンピュータ上で3,000-12,000個の原子に対するスケーラブルなトレーニングと推論を実演する。
  論文  参考訳（メタデータ） (2026-06-27T13:34:52Z)
• Universality and kernel-adaptive training for classically trained, quantum-deployed generative models [7.192684088403013]
  ビットストリング上の有望な量子生成モデルとして、IQP量子回路Born Machine (QCBM) が提案されている。 近年の研究では、IQP-QCBMのトレーニングは古典的には、ガウスカーネル最大平均誤差(MMD)損失関数(英語版)のように、牽引可能であることが示されている。 カーネル適応法では、MDD値の収束はジェネレータの分布の弱収束を意味することを示す。
  論文  参考訳（メタデータ） (2025-10-09T17:17:34Z)
• QUACK: Quantum Aligned Centroid Kernel [0.0]
  本稿では、トレーニング中のサンプル数と時間複雑性を線形にスケールする量子カーネルアルゴリズムであるQUICKを紹介する。 提案アルゴリズムでは,MNIST などの高次元データセットを 784 個の特徴量で扱える。
  論文  参考訳（メタデータ） (2024-05-01T04:00:09Z)
• Efficient Parameter Optimisation for Quantum Kernel Alignment: A Sub-sampling Approach in Variational Training [1.3551232282678036]
  本稿では,カーネル行列のサブセットをトレーニングの各ステップで使用するサブサンプリングトレーニング手法を提案する。 本研究では,合成データセットと実世界の乳癌データセットにサブサンプリング法を適用し,量子カーネルのトレーニングに必要な回路数を大幅に削減することを示す。
  論文  参考訳（メタデータ） (2024-01-05T16:11:34Z)
• Boosting Low-Data Instance Segmentation by Unsupervised Pre-training with Saliency Prompt [103.58323875748427]
  この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。 近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。 実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:49:03Z)
• Generative Kernel Continual learning [117.79080100313722]
  本稿では、生成モデルとカーネル間の相乗効果を利用して連続学習を行う、生成カーネル連続学習を紹介する。 生成モデルは、カーネル学習のための代表サンプルを生成することができ、カーネル連続学習におけるメモリ依存を取り除くことができる。 コントリビューションの能力とメリットを示すために,広く利用されている3つの連続学習ベンチマークについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-12-26T16:02:10Z)
• Neural Fields as Learnable Kernels for 3D Reconstruction [101.54431372685018]
  本稿では,学習したカーネルリッジの回帰に基づいて,暗黙の3次元形状を再構成する手法を提案する。 本手法は,3次元オブジェクトと大画面をスパース指向の点から再構成する際の最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:04Z)
• Quantum Multiple Kernel Learning [1.9116668545881028]
  カーネルメソッドは、その概念的単純さと優れたパフォーマンスのために、機械学習アプリケーションにおいて重要な役割を果たす。 カーネルマシンの表現性を高める1つのアプローチは、複数の個々のカーネルを組み合わせることである。 複数の量子カーネルを組み合わせた量子MKLを提案する。
  論文  参考訳（メタデータ） (2020-11-19T07:19:41Z)
• Learning Deep Kernels for Non-Parametric Two-Sample Tests [50.92621794426821]
  2組のサンプルが同じ分布から引き出されるかどうかを判定するカーネルベースの2サンプルテストのクラスを提案する。 私たちのテストは、テストパワーを最大化するためにトレーニングされたディープニューラルネットワークによってパラメータ化されたカーネルから構築されます。
  論文  参考訳（メタデータ） (2020-02-21T03:54:23Z)
• On Coresets for Support Vector Machines [61.928187390362176]
  coresetは、元のデータポイントの小さな、代表的なサブセットである。 我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-15T23:25:12Z)

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。