論文の概要: Quantum Sparse Autoencoders for Q-Matrix Estimation in Cognitive Diagnosis

• arxiv url: http://arxiv.org/abs/2609.01537v1
• Date: Tue, 01 Sep 2026 17:05:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.886535
• Title: Quantum Sparse Autoencoders for Q-Matrix Estimation in Cognitive Diagnosis
• Title（参考訳）: 認知診断におけるQ行列推定のための量子スパースオートエンコーダ
• Authors: Arif Hassan Zidan, Yi Pan, Bowen Guo, Xiang Li, Yu Bao, Yingfeng Wang, Tianming Liu, Wei Zhang,
• Abstract要約: 本稿ではQ行列推定のための新しい量子スパースオートエンコーダ(QSAE)を提案する。 全体として、QSAEは各学生のバイナリ応答ベクトルをエンコーダを使用して量子回路に埋め込み、それをスパース潜在表現に圧縮し、その表現をQ行列にマッピングする。 我々は、QSAEを60のシミュレーションデータセットと9つの実世界のアセスメントデータセットからなる古典的オートエンコーダ(CAE)と比較した。
• 参考スコア（独自算出の注目度）: 16.61222447901285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Q-matrices play a central role in cognitive diagnosis within educational data mining (EDM), specifying which latent skills each assessment item requires. Data-driven Q-matrix estimation remains challenging when assessments involve many correlated skills and when real response patterns depart from idealized generative assumptions. We introduce a novel quantum sparse autoencoder (QSAE) for Q-matrix estimation, which, to the best of our knowledge, is the first application of quantum machine learning (QML) to cognitive diagnosis. Overall, the QSAE embeds each student's binary response vector into a quantum circuit using an encoder, compresses it into a sparse latent representation, and maps that representation to the Q-matrix. We benchmark the QSAE against a classical autoencoder (CAE) across 60 simulated datasets and 9 real-world assessment datasets. The results reveal complementary strengths. Although the CAE partially achieves higher average accuracy under several simulation conditions, the QSAE is substantially more stable across replications, exhibiting lower variance in 49 of the 60 conditions. Moreover, on real assessment data, the QSAE outperforms the CAE on 6 of the 9 datasets. These findings suggest that the principal advancement of QML in this setting is not universal accuracy improvement, but enhanced robustness and capability to explore latent-structure complexity in real datasets.
• Abstract（参考訳）: Q-行列は教育データマイニング(EDM)における認知診断において中心的な役割を果たす。 データ駆動型Q行列推定は、多くの相関スキルを含むアセスメントや、理想化された生成仮定から実際の応答パターンが離れている場合、依然として困難である。 我々はQ行列推定のための新しい量子スパースオートエンコーダ(QSAE)を導入する。 全体として、QSAEは各学生のバイナリ応答ベクトルをエンコーダを使用して量子回路に埋め込み、それをスパース潜在表現に圧縮し、その表現をQ行列にマッピングする。 我々は、QSAEを60のシミュレーションデータセットと9つの実世界のアセスメントデータセットからなる古典的オートエンコーダ(CAE)と比較した。 その結果、相補的な強みが明らかとなった。 CAEはいくつかのシミュレーション条件下では高い平均精度を部分的に達成するが、QSAEは複製においてかなり安定であり、60条件のうち49条件においてより低い分散を示す。 さらに、実際の評価データでは、QSAEは9つのデータセットのうち6つでCAEを上回っている。 これらの結果から,QMLの基本的な進歩は,普遍的な精度向上ではなく,実データセットにおける潜在構造複雑性を探索する堅牢性と能力の向上であったことが示唆された。

関連論文リスト

• Efficient, Validation-Free Intrinsic Quality Estimation for Large-Scale Face Recognition Datasets [11.287672019347646]
  Intrinsic Quality (IQ) は、顔認識(FR)データセットの固有ポテンシャルを推定するための検証不要な指標である。 IQは2つのコンポーネントを統合している: (i) 隣人によるローカルIDラベルの合意を定量化するNeighbor-Consistency Score、 (ii) グローバル表現部分空間複雑性 (Effective Rank, ER)。 本稿では, クリーニング, ノイズ, 混合品質のFRデータセットに適した実験用プロトコルについて述べるとともに, 下流性能に対するIQの予測能力を評価するための評価手法について概説する。
  論文  参考訳（メタデータ） (2026-05-28T10:15:46Z)
• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• AiDE-Q: Synthetic Labeled Datasets Can Enhance Learning Models for Quantum Property Estimation [83.22330172077308]
  AiDE-Qは高品質な合成ラベル付きデータセットを反復的に生成する。 量子多体系と分子系の多種多様な集合について広範な数値シミュレーションを行う。
  論文  参考訳（メタデータ） (2025-09-30T11:29:14Z)
• Unsupervised Feature Extraction and Reconstruction Using Parameterized Quantum Circuits [0.0]
  量子オートエンコーダ(QAE)は手書き桁分類などの基本的な分類タスクでは広く評価されていない。 QCNNベースのエンコーダを用いて、QAEはMNISTのバイナリ分類において平均97.59%の精度を達成する(0, 1)。 この結果は,QAEとQCNNの相乗効果が最適特徴抽出性能を達成する上で重要である。
  論文  参考訳（メタデータ） (2025-02-11T16:13:04Z)
• Modeling Quantum Machine Learning for Genomic Data Analysis [12.248184406275405]
  量子機械学習(QML)は進化を続け、多様なアプリケーションに新たな機会を開放している。 ゲノム配列データのバイナリ分類におけるQMLモデルの適用性について,様々な特徴マッピング手法を用いて検討・評価する。 ベンチマークゲノミクスデータセット上で実験を行うために,オープンソースで独立したQiskitベースの実装を提案する。
  論文  参考訳（メタデータ） (2025-01-14T15:14:26Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
  変動量子回路(VQC)における重み付けの考え方を紹介する。 我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。 以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-06-09T09:42:21Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• QDataset: Quantum Datasets for Machine Learning [1.160208922584163]
  QDataSetは、QMLアルゴリズムのトレーニングと開発を容易にするために設計された量子データセットである。 データセットは、機械学習の実践者がQDataSetを使用して、応用量子計算の問題を解決するために、豊富な情報を提供するように構成されている。 関連するGitHubリポジトリのデータセットは、さまざまな最適化コンテキストにおけるQDataSetの使用を実証するセットである。
  論文  参考訳（メタデータ） (2021-08-15T05:30:59Z)

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。