論文の概要: Feature-Adaptive Fusion in Hybrid Quantum-Classical Neural Networks for Robust Biomedical Image Classification
- arxiv url: http://arxiv.org/abs/2609.15267v1
- Date: Mon, 14 Sep 2026 09:26:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.206764
- Title: Feature-Adaptive Fusion in Hybrid Quantum-Classical Neural Networks for Robust Biomedical Image Classification
- Title（参考訳）: ロバストバイオメディカルイメージ分類のためのハイブリッド量子古典ニューラルネットワークにおける特徴適応融合
- Abstract要約: 生体画像分類のための特徴適応型核融合型量子古典ニューラルネットワーク(FAF-HQNN)を提案する。
MedMNISTベンチマークであるPathMNISTとBloodMNISTのFAF-HQNNを、クリーンで破損したテスト条件下で評価した。
- 参考スコア（独自算出の注目度）: 5.648121717707402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hybrid quantum-classical neural networks provide a promising approach for incorporating quantum circuits into machine learning in the noisy intermediate-scale quantum regime. However, existing hybrid models often rely on fixed or globally shared fusion strategies, which may limit their ability to exploit complementary information carried by quantum branches, especially under distribution shifts. In this work, we propose a Feature-Adaptive Fusion Hybrid Quantum-Classical Neural Network (FAF-HQNN) for biomedical image classification. The model combines a classical deep feature encoder with a variational quantum circuit (VQC) and introduces a feature-adaptive fusion mechanism to dynamically weight classical and quantum predictions. We evaluate FAF-HQNN on two MedMNIST benchmarks, PathMNIST and BloodMNIST, under clean and corrupted test conditions. FAF-HQNN achieves the strongest overall performance on clean data among the compared methods and shows improved robustness under Gaussian, salt-and-pepper, and Poisson corruptions. Further analysis of circuit layout, measurement basis, and depth shows that even shallow variational quantum circuits can provide useful complementary information. These results demonstrate that feature-adaptive fusion is an effective strategy for improving accuracy and robustness in hybrid quantum-classical models for biomedical image classification.
- Abstract（参考訳）: ハイブリッド量子古典ニューラルネットワークは、ノイズの多い中間スケールの量子状態において、量子回路を機械学習に組み込むための有望なアプローチを提供する。
しかし、既存のハイブリッドモデルは、しばしば固定またはグローバルに共有される融合戦略に依存しており、特に分布シフトの下で量子枝が持つ補完的な情報を利用する能力を制限する可能性がある。
本研究では,生体画像分類のための特徴適応型核融合型量子古典ニューラルネットワーク(FAF-HQNN)を提案する。
このモデルは古典的な深い特徴エンコーダと変分量子回路(VQC)を組み合わせて、古典的および量子予測を動的に重み付けするための特徴適応融合機構を導入する。
MedMNISTベンチマークであるPathMNISTとBloodMNISTのFAF-HQNNを、クリーンで破損したテスト条件下で評価した。
FAF-HQNNは、比較した手法の中で最も高い総合的なパフォーマンスを達成し、ガウシアン、ソルト・アンド・ペッパー、ポアソンの汚職による堅牢性の向上を示している。
回路レイアウト、測定基準、深さのさらなる分析は、浅い変動量子回路でさえ有用な相補的な情報を提供できることを示している。
これらの結果は, バイオメディカル画像分類のためのハイブリッド量子古典モデルにおいて, 特徴適応融合が精度と堅牢性を向上させる効果的な戦略であることを証明している。
関連論文リスト
- A hybrid quantum-classical neural network for learning to route [36.95397691288925]
本研究では、ルーティング学習のためのハイブリッド量子古典ニューラルネットワークについて研究する。
静電容量化車両の経路問題では、エンコーダのフィードフォワード交換が最も有望な設計として現れる。
論文 参考訳（メタデータ） (2026-08-31T23:36:36Z) - Do emulated quantum circuits change what CNNs look at? Performance and explainability comparison in medical image classification [0.879504058268139]
本研究では, 量子回路の小型化が複雑モデルにおいて有意義な役割を果たすかどうかを考察する。
本稿では、パラメータマッチング型古典畳み込みニューラルネットワーク(CNN)と比較して、ハイブリッド量子インスパイアされた畳み込みニューラルネットワーク(HQiCNN)の有効性に関する体系的研究を行う。
HQiCNNは中間データレシエーションで最大のゲインを達成し、CNNは両方のデータセットで最大のトレーニングセットで最高のアキュラティに達する。
論文 参考訳（メタデータ） (2026-07-23T11:15:35Z) - On the Complementarity of Quantum and Classical Features: Adaptive Hybrid Quantum-Classical Feature Fusion for Breast Cancer Classification [1.4856472820492366]
量子機械学習と古典的なディープラーニングの統合は、医療画像解析のための有望な道を提供する。
二重分岐特徴抽出パイプラインに基づく乳がん診断のための新しいハイブリッド量子古典的アーキテクチャを提案する。
本フレームワークは,古典的モデルと量子回路から補完表現を抽出し,統一する。
論文 参考訳（メタデータ） (2026-04-24T14:54:53Z) - Hybrid Quantum Neural Networks for Enhanced Breast Cancer Thermographic Classification: A Novel Quantum-Classical Integration Approach [0.0]
熱画像解析による乳癌の診断は、医療AIにおいて重要な課題である。
本稿では,従来の畳み込みニューラルネットワークと量子コンピューティングの原理を統合した新しいハイブリッド量子ニューラルネットワークアーキテクチャを提案する。
本研究は,古典的シミュレーションによる医用画像分類における量子優位性を示す証拠を提供し,医療応用における量子古典ハイブリッドシステムの枠組みを確立した。
論文 参考訳（メタデータ） (2026-04-18T10:24:51Z) - 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) - Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
本稿では、BreastMNISTデータセットのバイナリ分類のために設計されたハイブリッド量子古典畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。
この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
論文 参考訳（メタデータ） (2025-11-29T17:47:14Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - HQCNN: A Hybrid Quantum-Classical Neural Network for Medical Image Classification [0.0]
本稿では,二進分類と多進分類のための新しいハイブリッド量子古典ニューラルネットワーク(HQCNN)を提案する。
HQCNNのアーキテクチャは、5層の古典的畳み込みバックボーンと4ビットの変動量子回路を統合している。
このモデルを6つのMedMNIST v2ベンチマークデータセットで評価する。
論文 参考訳（メタデータ） (2025-09-16T08:02:53Z) - 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) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳（メタデータ） (2023-04-18T18:23:20Z)
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。