論文の概要: Benchmarking Quantum Feature Encoding Strategies for Binary Classification with QSVM

• arxiv url: http://arxiv.org/abs/2608.27764v1
• Date: Thu, 27 Aug 2026 22:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.162233
• Title: Benchmarking Quantum Feature Encoding Strategies for Binary Classification with QSVM
• Title（参考訳）: QSVMを用いたバイナリ分類のための量子特徴符号化方式のベンチマーク
• Abstract要約: 量子支援ベクトルマシンの性能に及ぼす異なる量子特徴符号化戦略の影響を検討した。 その結果,符号化プロセスに統計的関係を組み込むことで,分類性能に影響を及ぼす可能性が示唆された。 より複雑で密接な絡み合った回路は、必ずしも高い性能をもたらすとは限らない。
• 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: The way in which classical data are encoded into quantum states plays a significant role in both classification performance and quantum circuit complexity in Quantum Machine Learning. In this study, the effects of different quantum feature encoding strategies on Quantum Support Vector Machine performance were investigated using five binary classification datasets. In particular, the statistical relationships between features were incorporated into quantum circuits through \(RY(θ)\) and controlled-\(RY(θ)\) gates, and this approach was compared with conventional quantum feature maps. The results demonstrate that incorporating statistical relationships into the encoding process can influence classification performance. However, more complex and densely entangled circuits do not necessarily yield higher performance. In addition, a composite evaluation metric was employed to jointly assess predictive performance, generalization, and circuit cost. The findings across the five datasets indicate that the choice of quantum feature encoding strategy should account for the underlying structure of the data and that predictive performance should be evaluated together with quantum circuit complexity.
• Abstract（参考訳）: 古典的なデータが量子状態に符号化される方法は、量子機械学習における分類性能と量子回路の複雑さの両方において重要な役割を果たす。 本研究では,異なる量子特徴符号化手法が量子支援ベクトルマシンの性能に及ぼす影響を5つのバイナリ分類データセットを用いて検討した。 特に, 特徴量間の統計的関係は, \(RY(θ)\) と Control-\(RY(θ)\) ゲートを介して量子回路に組み込まれ, 従来の量子特徴量マップと比較した。 その結果, 符号化プロセスに統計的関係を組み込むことで, 分類性能に影響を及ぼす可能性が示唆された。 しかし、より複雑で密接な絡み合った回路は、必ずしも高い性能をもたらすとは限らない。 さらに, 予測性能, 一般化, 回路コストを共同評価するために, 複合評価指標を用いた。 5つのデータセットから得られた結果は、量子特徴符号化戦略の選択は、データの基盤構造を考慮すべきであり、予測性能は、量子回路の複雑さとともに評価されるべきであることを示している。

関連論文リスト

• A Correlation Aware Quantum Feature Map for Variational Quantum Classification [0.0]
  相関対応量子特徴マップ(CAQFM)は、機能依存を量子符号化プロセスに統合する。 提案手法はPearson, Spearman, Kendall Tau, Mutual Information, Distance correlation を用いて特徴間の関係を同定する。 その結果、相関に基づく量子符号化は従来の符号化方式に比べて分類性能が向上することを示した。
  論文  参考訳（メタデータ） (2026-06-19T16:12:10Z)
• Parametrized Quantum Circuit Learning for Quantum Chemical Applications [6.0891078426115826]
  並列量子回路(PQC)は、複雑な機械学習問題に取り組むための有望なハイブリッドフレームワークを提供する。 本研究では,化学的に有意な2つのデータセットに対するPQCの有用性と限界について検討した。 我々は、14のデータ符号化戦略と12の変分アンセットを組み合わせた168個のPQCの包括的集合を構築し、回路上での性能を5と16の量子ビットで評価する。
  論文  参考訳（メタデータ） (2025-07-10T21:35:33Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクの文脈における量子カーネル法に焦点を当てる。 量子カーネル推定(QKE)と量子カーネル訓練(QKT)の性能を2つの量子特徴写像と関連づけて検討する。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• Profiling quantum circuits for their efficient execution on single- and multi-core architectures [1.7340157845783293]
  本研究では,量子ビット相互作用グラフとゲート依存性グラフから抽出したグラフ理論に基づくメトリクスを紹介する。 量子ビット相互作用とゲート依存性グラフの両方に根ざしたパラメータ間の接続と、量子回路マッピングのパフォーマンス指標を明らかにする。
  論文  参考訳（メタデータ） (2024-07-17T15:08:50Z)
• Understanding the effects of data encoding on quantum-classical convolutional neural networks [0.0]
  量子化法の主要な構成要素は、古典的なデータを量子状態に埋め込むために使用されるデータ符号化戦略である。 本研究では、2つの医用画像データセット上での量子古典的畳み込みニューラルネットワーク(QCCNN)の性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-05-05T18:44:08Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Majorization-based benchmark of the complexity of quantum processors [105.54048699217668]
  我々は、様々な量子プロセッサの動作を数値的にシミュレートし、特徴付ける。 我々は,各デバイスの性能をベンチマークラインと比較することにより,量子複雑性を同定し,評価する。 我々は、回路の出力状態が平均して高い純度である限り、偏化ベースのベンチマークが成り立つことを発見した。
  論文  参考訳（メタデータ） (2023-04-10T23:01:10Z)
• Interaction graph-based characterization of quantum benchmarks for improving quantum circuit mapping techniques [1.351147045576948]
  量子回路の特性を量子ビット相互作用グラフ特性によって拡張することを提案する。 本研究は, 相互作用グラフに基づくパラメータと, 量子デバイスの既存構成に対するマッピング性能指標との相関関係を明らかにする。
  論文  参考訳（メタデータ） (2022-12-13T15:24:37Z)
• 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)
• Transfer Learning in Quantum Parametric Classifiers: An Information-Theoretic Generalization Analysis [42.275148861039895]
  古典的な入力を持つ量子機械学習における重要なステップは、入力を量子状態にマッピングする埋め込み回路の設計である。 本稿では,任意のパラメトリック量子回路を用いて古典-量子埋め込みを行う移動学習環境について検討する。
  論文  参考訳（メタデータ） (2022-01-17T09:28:13Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。