論文の概要: QTrans: A Quantum Transformer for Sentiment Classification

• arxiv url: http://arxiv.org/abs/2609.12011v1
• Date: Thu, 10 Sep 2026 06:04:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.488719
• Title: QTrans: A Quantum Transformer for Sentiment Classification
• Title（参考訳）: QTrans: 感性分類のための量子変換器
• Abstract要約: 本稿では、パラメータ化量子回路を用いてクエリ、キー、値の特徴を構成するQTransモデルを提案する。 MR、CR、MPQAデータセットの実験結果は、QTransがそれぞれ72.13%、69.51%、63.45%のテスト精度を達成したことを示している。
• 参考スコア（独自算出の注目度）: 30.090297417712502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In small-scale binary sentiment classification scenarios, factors such as negation, contrastive shifts, and cross-word dependencies lead to the non-linear coupling of sentiment cues, making it difficult for conventional lightweight models to fully capture the contextual relationships between tokens. To address this issue, we propose a model named QTrans, which uses parameterized quantum circuits to construct query, key, and value features and derives attention coefficients from Gaussian distances between quantum measurements. By further integrating a quantum feed-forward neural network, residual connections, and layer normalization, the model establishes an end-to-end trainable quantum-classical hybrid framework for sentiment classification. Experimental results on the MR, CR, and MPQA datasets show that QTrans achieves test accuracies of 72.13\%, 69.51\%, and 63.45\%, respectively, representing improvements of 2.88, 3.17, and 3.79 percentage points over the best-performing classical baselines for each dataset. Overall, QTrans expands the application of parameterized quantum circuits in lightweight sentiment analysis and lays an experimental foundation for further research into quantum multi-head self-attention for modeling textual relationships.
• Abstract（参考訳）: 小規模なバイナリ感情分類のシナリオでは、否定、対照的なシフト、単語間の依存といった要因が感情の非直線的な結合につながるため、従来の軽量モデルではトークン間の文脈的関係を完全に把握することは困難である。 この問題に対処するため,パラメータ化量子回路を用いてクエリ,キー,値の特徴を構築し,ガウス距離から注目係数を導出するQTransモデルを提案する。 さらに量子フィードフォワードニューラルネットワーク、残差接続、層正規化を統合することで、このモデルは感情分類のためのエンドツーエンドのトレーニング可能な量子古典ハイブリッドフレームワークを確立する。 MR、CR、MPQAデータセットの実験結果は、QTransがそれぞれ72.13\%、69.51\%、63.45\%の試験精度を達成していることを示している。 全体として、QTransは、軽量感情分析におけるパラメータ化量子回路の適用を拡大し、テキスト関係をモデル化するための量子多頭部自己アテンションのさらなる研究のための実験基盤を築き上げている。

関連論文リスト

• A Correlation Aware Quantum Feature Map for Variational Quantum Classification [0.0]
  相関対応量子特徴マップ(CAQFM)は、機能依存を量子符号化プロセスに統合する。 提案手法はPearson, Spearman, Kendall Tau, Mutual Information, Distance correlation を用いて特徴間の関係を同定する。 その結果、相関に基づく量子符号化は従来の符号化方式に比べて分類性能が向上することを示した。
  論文  参考訳（メタデータ） (2026-06-19T16:12:10Z)
• QMC-Net: Data-Aware Quantum Representations for Remote Sensing Image Classification [19.28428432777636]
  バンド固有の量子回路を用いて6つのデータチャネルを処理するハイブリッドアーキテクチャであるQMC-Netを紹介する。 結果は、強い古典的ベースラインとモノリシックなハイブリッド量子モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2026-04-10T19:28:58Z)
• Quantum Implicit Neural Representations for 3D Scene Reconstruction and Novel View Synthesis [42.13843953705695]
  入射神経表現(INR)は連続信号モデリングと3次元シーン再構成の強力なパラダイムとなっている。 ニューラルラディアンス場レンダリングのための最初のハイブリッド量子古典的フレームワークである量子ニューラルラディアンス場(Q-NeRF)を提案する。
  論文  参考訳（メタデータ） (2025-12-14T13:24:11Z)
• Multi-channel convolutional neural quantum embedding [10.620759775107787]
  量子計算の標準回路モデルに限らず,量子埋め込みを最適化するための古典量子ハイブリッド手法を提案する。 我々は,CIFAR-10とTiny ImageNetデータセットを用いて,フレームワーク内の各種モデルの性能をベンチマークした。
  論文  参考訳（メタデータ） (2025-09-26T13:51:40Z)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• 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 Amplitude-Encoding-Based Classical-Quantum Transfer Learning framework: Outperforming Classical Methods in Image Recognition [8.971481563534537]
  本稿では,AE-CQTL(Amplence-encoding-based classical-quantum transfer learning)フレームワークを提案する。 AE-CQTLフレームワークをベースとして,Transfer Learning Quantum Neural Network (TLQNN)とTransfer Learning Quantum Convolutional Neural Network (TLQCNN)の2つのCQTLニューラルネットワークモデルの設計と実装を行った。
  論文  参考訳（メタデータ） (2025-02-27T15:20:01Z)
• Learning the expressibility of quantum circuit ansatz using transformer [5.368973814856243]
  本稿では,量子回路のアンサーゼの表現可能性を予測するために,トランスフォーマーモデルを提案する。 本研究は、量子回路アンサーゼの表現可能性の理解を深め、量子アーキテクチャ探索アルゴリズムを進化させることが可能である。
  論文  参考訳（メタデータ） (2024-05-29T07:34:07Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• Transfer Learning in Quantum Parametric Classifiers: An Information-Theoretic Generalization Analysis [42.275148861039895]
  古典的な入力を持つ量子機械学習における重要なステップは、入力を量子状態にマッピングする埋め込み回路の設計である。 本稿では,任意のパラメトリック量子回路を用いて古典-量子埋め込みを行う移動学習環境について検討する。
  論文  参考訳（メタデータ） (2022-01-17T09:28:13Z)

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。