論文の概要: Quantum Feature Engineering for Credit Default Prediction: When and Why IQP Circuits Help Linear Classifiers

• arxiv url: http://arxiv.org/abs/2609.10505v1
• Date: Wed, 09 Sep 2026 17:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.125674
• Title: Quantum Feature Engineering for Credit Default Prediction: When and Why IQP Circuits Help Linear Classifiers
• Title（参考訳）: クレジットデフォルト予測のための量子機能工学:IQP回路が線形分類にいつ、なぜ役立つのか
• Abstract要約: IQP回路は,従来のベースラインとKernel PCAの両方に比較して,分類器を改善することができることを示す。 ランダムフォレスト重要誘導選択は F1 = 0.523 に到達し、最大で非相関な特徴の符号化は 0.496 に減少する。
• 参考スコア（独自算出の注目度）: 3.029054495277686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Credit default prediction is a tabular classification problem in which modest gains in F1 translate directly into reduced financial exposure. We ask whether Instantaneous Quantum Polynomial-time (IQP) circuits can produce features that improve a classifier over both its raw classical baseline and Kernel PCA - the strongest unsupervised classical non-linear alternative - at an equal feature budget. The dataset provides 23 financial attributes per client; for an n-qubit circuit we select n of them, encode each as a rotation angle, and read 2n expectation values back out as new features. The motivation for using a quantum circuit is computational: an n-qubit IQP circuit runs in constant depth and encodes feature correlations in a 2^n-dimensional Hilbert space, whereas classical simulation of its exact output statistics scales exponentially in n. Using the UCI Default of Credit Card Clients dataset and five-fold cross-validation, we find that appending 16 IQP features (n = 8 qubits) to a Logistic Regression model raises F1 from 0.462 to 0.517 (+0.055, p < 0.0001). Kernel PCA, the next-best method, reaches only 0.493 at the same feature count; the gap survives Benjamini-Hochberg correction across 12 tests (p = 0.00007). No other classifier - Random Forest, SVM, XGBoost, or k-NN - benefits, which points to a linear-expressivity mechanism rather than a generic improvement. We also show that how the 8 input features are chosen matters: Random Forest importance-guided selection reaches F1 = 0.523, while encoding maximally uncorrelated features drops it to 0.496, demonstrating that the circuit amplifies informative structure rather than creating it from scratch.
• Abstract（参考訳）: 信用デフォルト予測(Credit default prediction)は、F1の適度なゲインが直接金銭的露出を減少させる、表形式の分類問題である。 Instantaneous Quantum Polynomial-time (IQP) 回路は、元の古典的ベースラインと、最強の教師なし古典的非線形代替品であるKernel PCAの両方に対して、同等の機能予算で分類器を改善することができるかどうかを問う。 データセットはクライアント毎に23の財務属性を提供します。n-qubit回路では、その中のnを選択し、それぞれを回転角としてエンコードし、2n期待値を新たな特徴として読み取る。 n-qubit IQP 回路は一定深さで動作し、2^n-次元ヒルベルト空間で特徴相関を符号化するが、古典的シミュレーションでは、その正確な出力統計量は n で指数関数的にスケールする。 UCI Default of Credit Card Clientsデータセットと5倍のクロスバリデーションを使用して、ロジスティック回帰モデルに16のIQP機能(n = 8 qubits)を追加すると、F1は0.462から0.517(+0.055, p < 0.0001)に上昇する。 次ベット法であるカーネルPCAは、同じ特徴数で0.493にしか達せず、ギャップは12個のテスト(p = 0.00007)でベンジャミン・ホックベルクの補正に残る。 その他の分類器(Random Forest、SVM、XGBoost、k-NN)は存在しません。 ランダムフォレスト重要誘導選択は F1 = 0.523 に達し、最大非相関な特徴を符号化すると0.496 に減少し、回路がスクラッチから生成するのではなく、情報構造を増幅することを示した。

関連論文リスト

• Qmes: Quantum Meta-Learning for Encoding Selection in Quantum Kernel Methods [0.0]
  メタ学習を通じて自動的に回路を推奨するオープンソースのPythonパッケージであるQmesを紹介する。 Qmesは古典的な複雑性尺度を使ってデータセットを特徴付け、トレーニング済みのモデルをクエリして回路を推奨する。 Qmesを105の分類と86の回帰ベンチマークデータセットで検証する。
  論文  参考訳（メタデータ） (2026-09-04T02:34:55Z)
• Quantum-Inspired Hybrid Neural Networks for Neural Decoding: A Controlled Ablation Study of Learnable Quantum Sidecar Integration [5.2726003549534655]
  本稿では,ResNet-50バックボーン内に残余のサイドカーモジュールとして集積されたパラメータ化量子回路(PQCs)について検討した。 ベースライン, 量子サイドカーとフリーズインプットプロジェクション, バックボーン・グラディエント・トレーニングプロジェクションの量子サイドカー, アングルエンコーディングを回路計測結果と整合させる測定誘導変種を比較検討した。
  論文  参考訳（メタデータ） (2026-08-23T15:55:43Z)
• Investigating Quantum-Embedded Transformers on Classical Datasets for Cross-Modality Classification [1.472161528588343]
  パラメタライズド量子回路(PQC)が古典的データセット上でのハイブリッド量子古典モデルの性能を向上させるかどうかを検証する。 我々のアーキテクチャであるQuantum-Embedded Attention (QEA)は学習可能なプロジェクタを用いてバックボーンの機能を$n_q$-dimensional角ベクトルに圧縮する。 提案手法では,全ての標準実行を報告し,現在のパウリ可読化結果と従来の確率可読化実験とを区別し,ボトルネック,シミュレーション,有限ショット,雑音の制限を解析する。
  論文  参考訳（メタデータ） (2026-08-07T06:09:28Z)
• SpinGQE: A Generative Quantum Eigensolver for Spin Hamiltonians [42.007194397302825]
  基底状態探索は量子コンピューティングの中心である。 我々は、生成量子固有ソルバフレームワークをスピンハミルトニアンに拡張したSpinGQEを提案する。 我々は、低エネルギー状態を生成する量子回路について学ぶために、トランスフォーマーベースのデコーダを用いる。
  論文  参考訳（メタデータ） (2026-03-25T13:38:15Z)
• Layer-wise QUBO-Based Training of CNN Classifiers for Quantum Annealing [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN)の頭部を学習するための,擬似Un Binary Optimization(QUBO)に基づく反復的フレームワークを提案する。 出力毎の分解は、$C$クラス問題を$C$独立QUBOに分割し、それぞれ$(d+1)K$バイナリ変数で、$d$が特徴次元、$K$がビット精度で分割する。 我々は,6つの画像分類ベンチマーク(スコーンディジット,MNIST,Fashion-MNIST,CIFAR-10,EMNIST,KMNIST)の評価を行った。
  論文  参考訳（メタデータ） (2026-03-03T13:10:36Z)
• Exploiting Function-Family Structure in Analog Circuit Optimization [22.334314861424943]
  オフザシェルフのガウス過程のサロゲートは、これらのシステミックスイッチングプリミティブと不一致の、全世界的にスムーズで定常的な優先順位を課す。 これらのプリミティブを符号化した事前学習モデルでは、回路単位のエンジニアリングを使わずに信頼性の高い最適化が可能であることを実証する。
  論文  参考訳（メタデータ） (2025-11-30T03:21:13Z)
• 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)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Efficient Bayesian Learning Curve Extrapolation using Prior-Data Fitted Networks [44.294078238444996]
  本稿では、この文脈におけるPFN(preded-data fit Neural Network)の最初の応用について述べる。 我々は,LC-PFNがMCMCよりも後方予測分布を正確に近似できることを実証した。 また,同じLC-PFNが,20万個の実学習曲線を外挿する競合性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-10-31T13:30:30Z)
• Simulation of IBM's kicked Ising experiment with Projected Entangled Pair Operator [71.10376783074766]
  我々は最近,誤りを軽減した量子回路を用いてエミュレートされた127量子ビットキックド・イジングモデルの古典的シミュレーションを行った。 提案手法はハイゼンベルク図の射影的絡み合ったペア作用素(PEPO)に基づいている。 我々はクリフォード展開理論を開発し、正確な期待値を計算し、それらをアルゴリズムの評価に利用する。
  論文  参考訳（メタデータ） (2023-08-06T10:24:23Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Skew Orthogonal Convolutions [44.053067014796596]
  Lipschitzの制約付き畳み込みニューラルネットワークを$l_2$ノルムでトレーニングすることは、証明可能な対逆ロバスト性、解釈可能な勾配、安定したトレーニングなどに有用である。 Methodabvは、従来の作業よりもはるかに高速な大きな畳み込みニューラルネットワークであるLipschitzのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2021-05-24T17:11:44Z)

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。