論文の概要: Granular-Ball Quantum Clustering for Resource-Efficient and Robust Learning

• arxiv url: http://arxiv.org/abs/2609.06016v1
• Date: Sat, 05 Sep 2026 10:42:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.18081
• Title: Granular-Ball Quantum Clustering for Resource-Efficient and Robust Learning
• Title（参考訳）: 資源効率・ロバスト学習のための粒界量子クラスタリング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.354557013805527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum clustering aims to exploit quantum feature representations to uncover complex data structures beyond conventional Euclidean geometry. Yet this sample-level kernel construction requires O(n^2) quantum circuit executions for n data points, creating a major bottleneck under near-term quantum resource constraints. Prior solutions fail to resolve this efficiency-accuracy dilemma: classical granular-ball clustering reduces sample complexity but relies on Euclidean metrics that cannot capture quantum correlations, while existing quantum compression schemes prioritize efficiency over structural preservation, degrading performance on non-convex or noisy data. Here we propose Granular-Ball Quantum Clustering (GBQC), a framework that tightly couples granular-ball structural abstraction with quantum feature learning. GBQC first compresses raw data into compact, representative granular balls via a PCA-guided splitting strategy, reducing kernel evaluations by 80% compared to full-sample methods. A quantum cohesion mechanism then filters noisy granules in Hilbert space to improve clustering robustness. Extensive experiments on synthetic, noisy, overlapping, and real-world datasets demonstrate that GBQC consistently achieves superior clustering accuracy and robustness compared with representative classical and quantum clustering methods. Meanwhile, the proposed granular-ball compression significantly reduces quantum kernel evaluations and computational overhead, enabling quantum clustering experiments on larger datasets within parameterized quantum learning frameworks. These results suggest that granular-ball representations serve not only as a compression mechanism to reduce quantum computational costs but also as an effective structural abstraction mechanism that improves clustering quality by eliminating redundant and structurally ambiguous learning units.
• Abstract（参考訳）: 量子クラスタリングは、量子的特徴表現を利用して、従来のユークリッド幾何学を超えた複雑なデータ構造を明らかにすることを目的としている。 しかし、このサンプルレベルのカーネル構造は、n個のデータポイントに対するO(n^2)量子回路の実行を必要とし、短期的な量子リソース制約の下で大きなボトルネックを生み出す。 古典的なグラニュラーボールクラスタリングはサンプルの複雑さを減少させるが、量子相関を捉えることができないユークリッドのメトリクスに依存し、既存の量子圧縮スキームは構造保存よりも効率を優先し、非凸データやノイズデータの性能を劣化させる。 本稿では,グラニュラーボール型量子クラスタリング(GBQC)を提案する。 GBQCはまず、PCA誘導スプリット戦略により、生データをコンパクトで代表的な粒状体に圧縮し、フルサンプル法と比較してカーネル評価を80%削減する。 量子凝集機構はヒルベルト空間のノイズのある顆粒をフィルターし、クラスタリングの堅牢性を改善する。 合成、雑音、重なり合い、実世界のデータセットに関する大規模な実験により、GBQCは典型的な古典的クラスタリング法や量子的クラスタリング法と比較して、優れたクラスタリング精度とロバスト性を一貫して達成していることが示された。 一方、提案したグラニュラーボール圧縮は、量子カーネルの評価と計算オーバーヘッドを大幅に削減し、パラメータ化された量子学習フレームワーク内のより大きなデータセット上で量子クラスタリング実験を可能にする。 これらの結果から, 粒界表現は, 量子計算コストを削減するための圧縮機構だけでなく, 冗長かつ構造的にあいまいな学習単位を排除し, クラスタリング品質を向上させる効果的な構造抽象化機構として機能することが示唆された。

関連論文リスト

• Balancing Expressivity and Learnability in Quantum Kernel Bandit Optimization [50.880384999888044]
  我々は,不特定なGP帯域幅アルゴリズムを開発し,近似誤差と情報ゲインとのトレードオフを特徴付ける後悔境界を導出する。 提案手法は, 計算オーバーヘッドを大幅に低減しつつ, サンプル効率で完全量子カーネルの性能を向上する。
  論文  参考訳（メタデータ） (2026-07-01T15:38:00Z)
• 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)
• Structure-Fair Quantum Circuit Complexity: An Auditable Information-Theoretic Lower Bound [0.2606834301724095]
  本稿では、利用可能な量子演算によって校正される情報理論測度であるReference-Contingent Complexity (RCC)を紹介する。 我々の中心的な結果は、RCCが任意の普遍量子回路の複雑さの低い境界となることを厳密に証明する鍵定理である。 この研究は、構造フェアであり、クロスプラットフォームの比較を可能にする量子技術のための「ルーラー」を提供する。
  論文  参考訳（メタデータ） (2025-09-20T14:58:34Z)
• 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)
• Quantum autoencoders for image classification [0.0]
  量子オートエンコーダ(QAE)は、パラメータチューニングのみに古典的な最適化を利用する。 本研究では,QAEを用いた新しい画像分類手法を提案する。
  論文  参考訳（メタデータ） (2025-02-21T07:13:38Z)
• A clustering aggregation algorithm on neutral-atoms and annealing quantum processors [0.44531072184246007]
  本研究では、クラスタリングアグリゲーションを実行するためのハイブリッド量子古典アルゴリズムを提案する。 中立原子の量子コンピュータと量子アニールのために設計された。 発見は、ハイブリッド量子古典パイプラインの将来的な発展の可能性を示唆している。
  論文  参考訳（メタデータ） (2024-12-10T14:48:44Z)
• Projective Quantum Eigensolver with Generalized Operators [0.0]
  PQEフレームワークにおける閉形式残留方程式の観点から一般化作用素を決定する手法を開発する。 いくつかの分子系への応用により、アンザッツは単体、二重体、三重体を含む(異方性)UCCと同様の精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2024-10-21T15:40:22Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum spectral clustering algorithm for unsupervised learning [0.8399688944263843]
  本稿では,量子プロセッサ上でのスペクトルクラスタリングを実現する回路設計を提案する。 確立された量子$k$-meansアルゴリズムと比較して、我々の手法は量子ランダムアクセスメモリや量子断熱処理を必要としない。
  論文  参考訳（メタデータ） (2022-03-07T05:06:47Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。