論文の概要: A quantum generative model for in silico clinical trials using scarce training datasets

• arxiv url: http://arxiv.org/abs/2608.28168v1
• Date: Fri, 28 Aug 2026 10:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.290051
• Title: A quantum generative model for in silico clinical trials using scarce training datasets
• Title（参考訳）: 希少なトレーニングデータセットを用いた insilico 臨床試験のための量子生成モデル
• Abstract要約: 我々は、シリコ患者において、量子コンピュータのポテンシャルを利用して複雑な確率分布を表現し、高い忠実度を生成する。 本稿では、非対称データベースを量子生成モデルとして機能する量子回路に結合できるパイプラインを提案する。 本結果は,量子生成モデルが一般化と表現率の指標において古典的生成モデルを上回ることを示す。
• 参考スコア（独自算出の注目度）: 0.23832125860207423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In silico methods have emerged as a strategy to complement clinical trials. These are particularly relevant for rare or heterogeneous diseases for which traditional methods are costly or difficult to apply. While classical generative models have shown an extremely good ability to generate high fidelity data when trained using extensive databases, they often struggle when the available samples for training are scarce. In this work, we leverage the potential of quantum computers to represent complex probability distributions to generate high fidelity in silico patients. We propose a pipeline able to combine asymmetric databases into a quantum circuit that serves as a quantum generative model. We evaluate the efficacy of our proposal using a database of Myelodysplastic Syndrome (MDS) patients with 7 clinical variables as a proof-of-concept. We executed our quantum generative model in the IBM Heron r2 ``ibm\_basquecountry'' superconducting quantum computer and compare our method with well known classical baselines. Our results show that the quantum generative model surpasses the classical generative models in generalization and expressivity metrics, indicating its potential validity to generate high fidelity in silico patients for clinical trials.
• Abstract（参考訳）: サイリコ法は臨床試験を補完する戦略として登場した。 これらは、伝統的な方法が費用がかかる、あるいは適用が難しい稀な疾患や異種疾患に特に関係している。 古典的生成モデルは、広範囲なデータベースを使用してトレーニングされた場合、高い忠実度データを生成するのに非常に優れた能力を示しているが、トレーニング用のサンプルが不足している場合、しばしば苦労する。 本研究では,シリコ患者において,複雑な確率分布を表現するために量子コンピュータのポテンシャルを活用する。 本稿では、非対称データベースを量子生成モデルとして機能する量子回路に結合できるパイプラインを提案する。 7つの臨床変数を持つ骨髄異形成症候群 (MDS) のデータベースを概念実証として, 本提案の有効性について検討した。 我々は、IBM Heron r2 ``ibm\_basquecountry'' 超伝導量子コンピュータで量子生成モデルを実行し、その手法をよく知られた古典的ベースラインと比較した。 以上の結果から, この量子生成モデルは, シリコ患者に高い忠実度を発現する可能性が示唆され, 一般化と表現率の指標において古典的生成モデルを上回ることが示唆された。

関連論文リスト

• Learnable yet not simulable: a quantum resource theory of learning models [57.695822250391906]
  量子資源が量子回路の古典的な学習可能性を支配するかは、いまだ不明である。 チューナブル量子回路系の期待値関数について検討する。 これらの結果は,古典シミュレーションと学習の境界を記述するための定量的な資源理論の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-08-03T14:48:03Z)
• Comparing Classical Simulation and Sample-Based Learning of Quantum Systems: Learning the Hardness of Quantum Systems from Samples [41.99844472131922]
  量子システムに対する2つの異なる古典的アプローチの関係について検討する。 我々は、制御された量子状態の族からの測定サンプルに基づいて訓練された固定された深部エネルギーベース生成モデルを用いる。
  論文  参考訳（メタデータ） (2026-05-27T18:44:36Z)
• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• The Role of Quantum in Hybrid Quantum-Classical Neural Networks: A Realistic Assessment [0.0]
  量子機械学習は、短期的な量子ハードウェアのための有望なアプリケーションドメインとして登場した。 我々は、ハイブリッド量子古典ニューラルネットワークアーキテクチャにおける量子処理の影響に光を当てることを目指している。
  論文  参考訳（メタデータ） (2026-01-08T08:54:44Z)
• Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis [1.2676356746752895]
  本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。 量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。 結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T16:11:39Z)
• Optimizing Quantum Data Embeddings for Ligand-Based Virtual Screening [8.298261599142478]
  分子表現を効果的に生成するための量子古典的ハイブリッド埋め込み手法のファミリーを開発し評価する。 複数のターゲットとクラス不均衡設定にまたがって、いくつかの量子的およびハイブリッドな埋め込み変種は古典的ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-12-18T04:56:53Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• TabularQGAN: A Quantum Generative Model for Tabular Data [42.34625645992943]
  合成データは、現実世界のデータが少ない、あるいはプライベートなシナリオで有用であり、既存のデータセットを拡張または置換するために使用することができる。 本稿では、フレキシブルなデータ符号化と新しい量子回路アンサッツを備えた量子生成逆ネットワークアーキテクチャを提案する。 提案手法はMIMIC IIIヘルスケアデータセットとアダルト・センサスデータセットでテストされ、主要な古典的モデルに対して広範なベンチマークが行われる。
  論文  参考訳（メタデータ） (2025-05-28T16:19:39Z)
• Building Continuous Quantum-Classical Bayesian Neural Networks for a Classical Clinical Dataset [0.0]
  本稿では,医学データセットの不確実性を考慮した分類を行う量子古典ベイズニューラルネットワーク(QCBNN)を提案する。 予測性能とモデルの不確実性の両方を捉える複数の行動メトリクスを追跡します。 より不確実な方法でサンプルを分類できるハイブリッドモデルを作ることは、私たちの野望です。
  論文  参考訳（メタデータ） (2024-06-10T14:23:25Z)
• Benchmarking Quantum Surrogate Models on Scarce and Noisy Data [4.3956739705582635]
  量子ニューラルネットワーク (QNN) は, 希少かつノイズの多いデータの存在下で, 従来のアナログよりも優れている可能性が示された。 我々のコントリビューションは、QNNを高次元の実世界データ上の代理モデルとして使う最初のアプリケーション中心のアプローチを示す。
  論文  参考訳（メタデータ） (2023-06-08T08:49:58Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)

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。