論文の概要: Image Classification Using CNN-QNN Hybrid Model with Optimized Correlated Features

• arxiv url: http://arxiv.org/abs/2608.04379v1
• Date: Wed, 05 Aug 2026 02:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.69331
• Title: Image Classification Using CNN-QNN Hybrid Model with Optimized Correlated Features
• Title（参考訳）: CNN-QNNハイブリッドモデルを用いた特徴量最適化による画像分類
• Authors: Minseo Seong, Youngwook Kim,
• Abstract要約: 量子ニューラルネットワーク(QNN)への入力として使用される畳み込みニューラルネットワーク(CNN)の特徴間の相関を最適化する手法を提案する。 より物理的にQNNと互換性のある相関機能を導入する。
• 参考スコア（独自算出の注目度）: 5.4251532917943415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a method to optimize the correlation among convolutional neural network (CNN) features that are used as inputs to quantum neural network (QNN) to enhance image classification accuracy. Unlike prior approaches that employ orthogonal decomposition as preprocessing, we intentionally introduce correlated features that are more physically compatible with QNN. This design leverages the QNN's inherent ability to exploit quantum entanglement for representing correlated states-an advantage unavailable to classical neural networks. We hypothesize that aligning feature correlations with the entanglement structure of QNN improves binary classification performance. Based on a mathematical derivation of QNN outputs, Monte Carlo simulations indicate that an average correlation between features of 0.5 yields optimal classification accuracy. To validate this finding, we evaluate a quantum-classical hybrid model on three tasks: CIFAR-10 (automobile vs. truck), Fashion-MNIST (shirt vs. coat), and radar micro-Doppler signatures (robotic dogs vs. non-robots). To regulate feature correlations, we introduce a correlation-regularization term on the outputs of the CNN, driving the off-diagonal entries of the feature correlation matrix toward a target constant. Across all datasets, inducing intermediate correlation consistently improved accuracy compared to low, high, or unregulated correlations, while also reducing classification accuracy variance. These results demonstrate that imposing moderate feature correlations-without modifying the quantum circuit-enhances classification accuracy and stability by aligning feature statistics with the QNN's entanglement structure. This study highlights the potential of QNN to surpass the performance of classical classifiers as more qubits become available.
• Abstract（参考訳）: 本稿では、量子ニューラルネットワーク(QNN)への入力として使用される畳み込みニューラルネットワーク(CNN)の機能間の相関を最適化し、画像分類精度を向上させる手法を提案する。 直交分解を前処理として利用する従来の手法とは異なり、QNNとより物理的に互換性のある相関した特徴を意図的に導入する。 この設計は、古典的ニューラルネットワークでは利用できない相関状態の利点を表現するために量子エンタングルメントを利用するQNN固有の能力を活用する。 特徴相関とQNNの絡み合い構造との整合性は二項分類性能を向上させると仮定する。 QNN出力の数学的導出に基づいて、モンテカルロシミュレーションは0.5の特徴間の平均的相関が最適な分類精度をもたらすことを示す。 CIFAR-10(自動車対トラック)、Fashion-MNIST(シャツ対コート)、レーダーマイクロドップラーシグネチャ(ロボット犬対非ロボット)の3つのタスクで量子古典ハイブリッドモデルを評価する。 特徴相関を規制するために、CNNの出力に相関正則化項を導入し、特徴相関行列の対角線外成分を目標定数に向けて駆動する。 すべてのデータセットにおいて、中間相関の誘導は、低、高、非規制の相関よりも精度を一貫して改善し、分類精度のばらつきも低減した。 これらの結果は、QNNの絡み合い構造と特徴統計を整合させることにより、量子回路の分類精度と安定性を変更することなく、適度な特徴相関を与えることを示した。 この研究は、QNNが古典的分類器の性能を超える可能性を強調し、より多くの量子ビットが利用可能になる。

関連論文リスト

• Dual-Qubit Hierarchical Fuzzy Neural Network for Image Classification: Enabling Relational Learning via Quantum Entanglement [27.317371900372127]
  本稿では,2量子階層型ファジィニューラルネットワーク(DQ-HFNN)を提案する。 一対の絡み合った量子ビットに特徴対をエンコードし、単一のファジィモデルをジョイントファジィ表現に拡張する。 ノイズのある条件下での実験では、ノイズに対して堅牢であり、ノイズの多い中間スケールの量子デバイスに実装される可能性があることが示唆されている。
  論文  参考訳（メタデータ） (2025-12-15T12:35:53Z)
• Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
  本稿では、BreastMNISTデータセットのバイナリ分類のために設計された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(QCNN)アーキテクチャを提案する。 この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
  論文  参考訳（メタデータ） (2025-11-29T17:47:14Z)
• Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images [0.5892638927736115]
  本稿では,古典的・古典的ハイブリッド畳み込みニューラルネットワーク(CNN)と,ランダム化された古典的・量子的ニューラルネットワーク(NN)の性能を比較した。 これらのアプローチを,複雑性を増大させる3つのデータセット上で評価する。 クロスデータセット性能解析では、異なる分類タスク間の量子モデルの限られた転送可能性を示した。
  論文  参考訳（メタデータ） (2024-11-28T17:13:45Z)
• The role of data embedding in equivariant quantum convolutional neural networks [2.255961793913651]
  等変量子ニューラルネットワーク(EQNN)の性能に及ぼす古典量子埋め込みの影響について検討する。 等価な量子畳み込みニューラルネットワーク(QCNN)から得られた3種類の振幅埋め込みと、EQCNNの分類精度を数値的に比較する。
  論文  参考訳（メタデータ） (2023-12-20T18:25:15Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)

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。