論文の概要: QSTAR: Quantum Selective Transfer with Adaptive Routing

• arxiv url: http://arxiv.org/abs/2607.21411v1
• Date: Thu, 23 Jul 2026 15:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.452219
• Title: QSTAR: Quantum Selective Transfer with Adaptive Routing
• Title（参考訳）: QSTAR:適応ルーティングを用いた量子選択転送
• Abstract要約: 低信頼度サンプルのみをフォールバックブランチにルーティングする選択QTLフレームワークを提案する。 手動で設計したQTLヘッド、KetGPTで設計された量子ヘッド、パラメータマッチングされた古典的ベースラインを比較した。 適応型KetGPT-QTLは80.9%の精度と0.807のF1スコアに達し、適応型古典ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 2.417944170423441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum transfer learning (QTL) is often evaluated by replacing a classical classifier with a fixed variational quantum head, but this hides a key question: when is the quantum branch actually useful? We propose QSTAR: Quantum Selective Transfer with Adaptive Routing, a selective QTL framework that keeps high-confidence classical predictions and routes only low-confidence samples to a fallback branch. Using a frozen ResNet18 backbone on Fashion-MNIST, we compare manually designed QTL heads, KetGPT-designed quantum heads, and parameter-matched classical baselines under a common data split and optimization schedule. Standard QTL heads reach at most 57.0% accuracy, while the strongest KetGPT head in the main filtered sweep reaches 78.5% accuracy and 0.785 F1-score. Although the strongest fixed classical head remains higher at 81.6%, selective routing gives the quantum branch a clearer role. On low-confidence samples, KetGPT #180 improves accuracy over a parameter-matched MLP fallback by 6.82, 4.31, and 3.03 percentage points at thresholds of 0.70, 0.80, and 0.90. At the full-system level, Adaptive KetGPT-QTL reaches 80.9% accuracy and 0.807 F1-score, outperforming the adaptive classical baseline. A separate compact-circuit ablation identifies KetGPT #160 as a stronger fixed-head candidate, reaching 81.9% accuracy with only 10 quantum parameters and 9 gates. These results suggest that architecture-searched quantum heads are most useful as targeted fallback branches for uncertain inputs rather than uniform replacements for classical classifiers.
• Abstract（参考訳）: 量子伝達学習(QTL)は古典的分類器を固定変分量子ヘッドに置き換えることによってしばしば評価されるが、これは重要な疑問を隠蔽する:量子分岐は実際にいつ役に立つのか? QSTARは、高信頼の古典的予測を保持し、低信頼のサンプルのみをフォールバックブランチにルーティングする選択的なQTLフレームワークである。 Fashion-MNIST上のResNet18バックボーンを用いて、手動で設計したQTLヘッド、KetGPTで設計された量子ヘッド、パラメータマッチングされた古典ベースラインを、共通のデータ分割と最適化スケジュール下で比較する。 標準的なQTLヘッドは57.0%の精度で到達し、メインフィルタースイープの最強のKetGPTヘッドは78.5%の精度で0.785F1スコアに達した。 最も強い固定古典ヘッドは81.6%高いままであるが、選択的ルーティングにより量子分岐はより明確な役割を果たす。 低信頼サンプルでは、KetGPT #180はパラメータマッチングMLPのフォールバックの精度を0.70、0.80、0.90の閾値で6.82、4.31、3.03ポイント向上させる。 フルシステムレベルでは、Adaptive KetGPT-QTLは80.9%の精度と0.807 F1スコアに達し、適応的な古典的ベースラインを上回っている。 別個のコンパクト回路アブレーションでは、KetGPT #160が強い固定ヘッド候補であり、81.9%の精度で10個の量子パラメータと9個のゲートしか持たない。 これらの結果は、古典的分類器の均一な置換よりも、不確実な入力に対して、アーキテクチャ探索された量子ヘッドがターゲットとなるフォールバック分岐として最も有用であることを示唆している。

関連論文リスト

• Parameter-Efficient Quantum NLP for Paraphrase Detection: Performance, Robustness, and Entanglement [0.05999777817331314]
  パラフレーズ検出のための10量子ビットハイブリッド量子古典変動回路の評価を行った。 QQPでは、回路は75.53% +/- 0.75%の精度を達成する。 MRPCでは、最適2層版がBERTベースの精度の92%に達し、パラメータコストは54,000ドルである。 これらの結果は,NLP用ハイブリッド変分回路の適応型マルチベンチマーク実証実験として最初のものである。
  論文  参考訳（メタデータ） (2026-09-13T14:06:49Z)
• Quantum Feature Engineering for Credit Default Prediction: When and Why IQP Circuits Help Linear Classifiers [3.029054495277686]
  IQP回路は,従来のベースラインとKernel PCAの両方に比較して,分類器を改善することができることを示す。 ランダムフォレスト重要誘導選択は F1 = 0.523 に到達し、最大で非相関な特徴の符号化は 0.496 に減少する。
  論文  参考訳（メタデータ） (2026-09-09T17:41:27Z)
• Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark [0.9106818059692908]
  イベントトリガーは高エネルギー物理学の中心に位置し、そこでは稀な関心事が維持されなければならない。 この研究は、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期記憶ネットワークの4つの古典的機械学習モデルを比較する。 CMSオープンデータから構築されたトリガのようなバイナリ分類タスク上の4つのハイブリッド量子対向体。
  論文  参考訳（メタデータ） (2026-08-26T15:32:44Z)
• QuantumPhaseNet: A Gauge-Covariant Geometric and Quantum-Spectral Theory of Semantic Concept Hierarchies with Prototype Validation of a Classical Quantum-Inspired Model [0.0]
  本稿では、Transformer表現の量子スペクトル拡張であるQuantumPhaseNetを提案する。 文脈依存の意味状態は複素振幅としてモデル化される。 低周波グラフモードは文書レベルの談話方向を定義する。
  論文  参考訳（メタデータ） (2026-08-16T15:52:50Z)
• OQMD: Single-Qubit Rotation Control Improves Low-CNOT Multiclass Quantum Classification [4.669017653337737]
  本研究は、最適量子計測復号法(OQMD)の研究である。 OQMD: 測定前に読み出し層をトレーニングすることで、量子結果が古典的なラベルにどのようにマッピングされるかを最適化する。 実験では、OQMDのハードウエアネイティブな1つの具体的実現として、トレーニング可能な3つの1量子ビット回転を用いる。
  論文  参考訳（メタデータ） (2026-06-12T04:05:48Z)
• QPredSGG: Hybrid Quantum Predicate Learning for Long-Tailed Scene Graph Generation [2.417944170423441]
  シーングラフ生成(SGG)は、オブジェクトとその相互作用に対する関係推論を必要とする。 古典的なSGGモデルは、しばしばデータセット統計に依存し、頻繁な関係に対するバイアスのある予測をもたらす。 本研究は,古典的述語ヘッドであるCausal Feature Enhancement Network (CFEN) を,重み付きクロスエントロピーを用いて学習した量子述語ヘッド (QP-Head) に置き換えることで,SGGのためのハイブリッド量子述語分類器を導入する。
  論文  参考訳（メタデータ） (2026-06-03T10:15:56Z)
• Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
  量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。 私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。 時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
  論文  参考訳（メタデータ） (2026-05-07T13:04:09Z)
• QuanBench+: A Unified Multi-Framework Benchmark for LLM-Based Quantum Code Generation [39.32132630606808]
  Qiskit、PennyLane、Cirqにまたがる統一ベンチマークであるQuanBench+を紹介します。 我々は,機能テストの実行可能なモデルの評価を行い,Pass@1およびPass@5を報告する。 フレームワーク全体で、最強のワンショットスコアはキズキットで59.5%、サークルで54.8%、ペニーレーンで42.9%に達した。
  論文  参考訳（メタデータ） (2026-03-25T20:51:21Z)
• Hybrid Quantum-Classical Optimisation of Traveling Salesperson Problem [0.0]
  本稿では,変分量子固有解法(VQE)の最適化と古典的機械学習を統合するハイブリッド量子古典的フレームワークを提案する。 Qiskit の AerSimulator と ibm_kyiv 127-qubit バックエンドを用いて,80 のヨーロッパ都市におけるフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2025-09-30T13:26:12Z)
• Benchmarking Classical and Quantum Models for DeFi Yield Prediction on Curve Finance [0.0]
  我々はXGBoost, Random Forest, LSTM, Transformer, Quantum Neural Network (QNN), Quantum Feature Map (QSVM-QNN) の6つのモデルをベンチマークした。 実験MAE, RMSE, 方向精度のモデル性能について検討した。 XGBoostはテストMAEが1.80で、Random Forestは1.77と71.36%で最高方向精度(71.57%)を達成した。
  論文  参考訳（メタデータ） (2025-07-22T06:55:20Z)
• GroverGPT: A Large Language Model with 8 Billion Parameters for Quantum Searching [43.496857395654764]
  量子チューリングマシンの出力をシミュレートするために,大規模言語モデルを活用する可能性について検討する。 特殊なモデルであるGroverGPTは、15兆以上のトークンでトレーニングされた。 OpenAIのGPT-4o(45%の精度)を一貫して上回り、6ビットと10ビットのデータセットでほぼ100%の精度を達成した。 また、3から6キュービットのデータで訓練すると、20キュービットを超えるシステムに対して95%を超える精度で強い一般化を示した。
  論文  参考訳（メタデータ） (2024-12-30T20:23:10Z)
• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• Tensor Ring Optimized Quantum-Enhanced Tensor Neural Networks [32.76948546010625]
  量子機械学習の研究者は、しばしばディープニューラルネットワーク(DNN)にネットワーク(TN)を組み込むことに頼っている。 この問題に対処するために、リング最適化変分量子学習分類器(Quan-TR)の多層設計を提案する。 リング最適化量子強化ニューラルネットワーク(TR-QNet)と呼ばれる。 量子シミュレーションにおいて、提案されたTR-QNetは、それぞれIris、MNIST、CIFAR-10データセット上で、9,4.5%、8,6.16%、および83.54%の有望な精度を達成している。
  論文  参考訳（メタデータ） (2023-10-02T18:07:10Z)
• Direct pulse-level compilation of arbitrary quantum logic gates on superconducting qutrits [36.30869856057226]
  任意のqubitおよびqutritゲートを高忠実度で実現でき、ゲート列の長さを大幅に削減できることを示す。 最適制御ゲートは少なくとも3時間ドリフトでき、同じ校正パラメータを全ての実装ゲートに利用できることを示す。
  論文  参考訳（メタデータ） (2023-03-07T22:15:43Z)
• CAFQA: A classical simulation bootstrap for variational quantum algorithms [8.659073885003684]
  CAFQAアンサッツ(CAFQA ansatz)は、クリフォードゲートのみを備えたハードウェア効率の良い回路である。 CAFQAは6.4xと56.8xの平均精度の改善を、異なるメトリクスで達成している。 CAFQAの高精度により、VQAの収束は小さな分子でも2.5倍加速することが示されている。
  論文  参考訳（メタデータ） (2022-02-25T19:29:59Z)

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。