論文の概要: QGB-W$k$NN: Quantum Granular-Ball Learning for Robust Classification
- arxiv url: http://arxiv.org/abs/2609.05952v1
- Date: Sat, 05 Sep 2026 07:35:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.171705
- Title: QGB-W$k$NN: Quantum Granular-Ball Learning for Robust Classification
- Title（参考訳）: QGB-W$k$NN:ロバスト分類のための量子グラニュラーボール学習
- Abstract要約: 最寄りの分類は機械学習で広く使われているが、既存の手法ではノイズの多い環境では計算効率が低く、頑丈さが限られていることが多い。
本稿では,QGB-W$k$NNと呼ばれる量子グラニュラーボールに基づく,効率的で信頼性の高いK$-nearest近傍分類フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 14.281189103642186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nearest-neighbor classification is widely used in machine learning, yet existing methods often suffer from low computational efficiency and limited robustness in noisy environments. To jointly address these challenges, this paper proposes an efficient and reliable weighted $K$-nearest neighbor classification framework based on quantum granular balls, termed QGB-W$k$NN. The proposed framework improves computational efficiency by integrating quantum-enhanced granular-ball representation with hierarchical nearest-neighbor search, while enhancing classification reliability through a purity-aware weighted decision mechanism. Specifically, quantum-kernel granular balls are constructed to reduce retrieval redundancy and strengthen nonlinear feature representation under limited quantum resources. A granular-ball purity-guided HNSW optimization strategy is developed to exploit structural reliability for hierarchical graph construction during neighbor retrieval, alleviating the local optimality issue caused by conventional random layering. Finally, a weighted voting mechanism jointly incorporating granular-ball similarity and purity is introduced to produce more reliable classification decisions in noisy environments. Extensive experiments on benchmark datasets demonstrate that QGB-W$k$NN achieves competitive classification accuracy while exhibiting favorable Pareto trade-offs between classification performance and computational cost. Moreover, the proposed framework consistently improves robustness under various noisy conditions, suggesting that reliability-aware quantum granular-ball learning provides a promising paradigm for efficient and robust nearest-neighbor classification.
- Abstract（参考訳）: 最寄りの分類は機械学習で広く使われているが、既存の手法ではノイズの多い環境では計算効率が低く、頑丈さが限られていることが多い。
これらの課題に共同で対処するために、QGB-W$k$NNと呼ばれる量子グラニュラーボールに基づく、効率的で信頼性の高いK$-nearest隣りの分類フレームワークを提案する。
提案フレームワークは, 量子化された粒界表現を階層的近傍探索と統合し, 純度を考慮した重み付け決定機構により分類信頼性を向上させることにより, 計算効率を向上させる。
具体的には、検索冗長性を低減し、限られた量子資源下での非線形特徴表現を強化するために、量子カーネルグラニュラーボールを構築する。
隣接探索における階層グラフ構築における構造的信頼性を利用して, 従来のランダム層化による局所最適性問題を緩和するために, 粒界純度誘導HNSW最適化手法を開発した。
最後に, 粒界類似度と純度を併用した重み付き投票機構を導入し, ノイズの多い環境下でより信頼性の高い分類決定を行う。
ベンチマークデータセットの大規模な実験により、QGB-W$k$NNは、分類性能と計算コストの間に好ましいパレートのトレードオフを示しながら、競合する分類精度を達成することが示された。
さらに, 提案手法は, 様々な雑音条件下でのロバスト性を常に改善し, 信頼性に配慮した量子粒界学習が, より効率的で頑健な近傍分類のための有望なパラダイムを提供することを示す。
関連論文リスト
- Granular-Ball Quantum Clustering for Resource-Efficient and Robust Learning [13.354557013805527]
量子クラスタリングは、複雑なデータ構造を明らかにするために量子表現を活用することを目的としている。
サンプルレベルのカーネル構造は、nのデータ実行にO(n2)量子回路構造を必要とする。
グラニュラーボール圧縮と量子特徴学習を併用したグラニュラーボール量子クラスタリング(GBQC)を提案する。
論文 参考訳（メタデータ） (2026-09-05T10:42:04Z) - 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) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - 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) - Bayesian Quantum Amplitude Estimation [46.03321798937855]
量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。
耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。
本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - Projective Quantum Eigensolver via Adiabatically Decoupled Subsystem Evolution: a Resource Efficient Approach to Molecular Energetics in Noisy Quantum Computers [0.0]
我々は,ノイズ中間スケール量子(NISQ)ハードウェアを用いて,分子系の基底状態エネルギーを正確に計算することを目的とした射影形式を開発した。
本研究では,将来の耐故障システムにおいて,必要な精度を同時に確保しながら,ノイズ下での優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-13T13:27:40Z) - Trade-off between Bagging and Boosting for quantum
separability-entanglement classification [0.0]
量子分離性問題に対するランダムアンダーサンプリングブースターCHA(RUSBCHA)の長所と短所を比較した。
結果は、RUSBCHAがBCHAアプローチに代わるものであることを示唆している。
論文 参考訳（メタデータ） (2024-01-22T15:29:35Z) - Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement
Distribution in FSO Quantum Networks [62.87033427172205]
自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。
エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
論文 参考訳（メタデータ） (2024-01-19T17:16:40Z) - Shot-frugal and Robust quantum kernel classifiers [12.146571029233435]
量子カーネル法は、機械学習における量子スピードアップの候補である。
分類タスクにおいて,その目的は信頼性の高い分類であり,正確なカーネル評価ではないことを示す。
我々は分類の信頼性を特徴付ける新しい指標を動機付けている。
論文 参考訳（メタデータ） (2022-10-13T12:48:23Z)
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。