論文の概要: Comparative Study of Quantum and Classical Machine Learning Models in Binary Classification

• arxiv url: http://arxiv.org/abs/2609.23476v1
• Date: Sun, 20 Sep 2026 09:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.835848
• Title: Comparative Study of Quantum and Classical Machine Learning Models in Binary Classification
• Title（参考訳）: 二項分類における量子および古典的機械学習モデルの比較研究
• Abstract要約: 量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと古典的な機械学習を併用して、計算効率を向上させることを目的としている。 本稿では,変分量子カーネル(VQC)と量子支援ベクトルマシン(QSVM)の2つの異なる量子分類器を,古典的分類器をベースラインとして比較する。 量子回路はPennyLaneフレームワークで作られ、古典的なバックエンド上でシミュレートされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A potential path forward is Quantum Machine Learning (QML), which aims to leverage quantum computing in conjunction with classical machine learning to enhance computing efficiency and the expressiveness of models. In this paper, two different quantum classifiers - Variational Quantum Classifier (VQC) and Quantum Kernel Support Vector Machine (QSVM) - are compared with three classical classifiers as baseline classifiers - Logistic Regression, Support Vector Machine (SVM), and a Multi-Layer Perceptron (MLP) - on the Breast Cancer Wisconsin dataset. The quantum circuits were created in the PennyLane framework and simulated on a classical backend. However, in terms of accuracy, classical Logistic Regression performed better with an accuracy of 97.8%, classical SVM and QSVM with an accuracy of 95.6% each, although the Quantum VQC achieved a lower accuracy of 88.9% and had a recall of 100% for the benign class, though it correctly identified only 12 of the 17 malignant cases (a malignant-class recall of approximately 70.6%). The drawback of quantum models is the higher training time; however, since the quantum circuit needs to be classically simulated, the quantum SVM took 23.29 seconds compared to less than 0.01 seconds for the classical linear models. These results indicate that for small structured datasets, classifiers based on quantum computing have not yet surpassed well-tuned classical counterparts. In some respects (e.g., benign-class recall), they perform competitively, though not on malignant-class recall, where the VQC in particular performed worse than the classical baselines, which is worth further investigation on real quantum computers.
• Abstract（参考訳）: 量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと古典的な機械学習を併用して、計算効率とモデルの表現性を向上することを目的としている。 本稿では,変分量子分類器(VQC)と量子カーネル支援ベクトルマシン(QSVM)の2つの異なる量子分類器を,Breast Cancer Wisconsinデータセット上の3つの古典的分類器 – Logistic Regression, Support Vector Machine(SVM),Multi-Layer Perceptron(MLP) – と比較する。 量子回路はPennyLaneフレームワークで作られ、古典的なバックエンド上でシミュレートされた。 しかし、古典的ロジスティック回帰は97.8%の精度で、古典的SVMとQSVMはそれぞれ95.6%の精度で、量子VQCは88.9%の精度で、良性階級のリコールは100%であったが、悪性の17例のうち12例(悪性クラスのリコールは約70.6%)しか特定できなかった。 量子モデルの欠点はより高いトレーニング時間であるが、量子回路を古典的にシミュレートする必要があるため、量子SVMは古典線形モデルの0.01秒未満に比べて23.29秒かかった。 これらの結果は、小さな構造化データセットの場合、量子コンピューティングに基づく分類器は、十分に調整された古典的データセットをまだ超えていないことを示している。 いくつかの点(例えば、良性クラスのリコール)では、悪性クラスのリコールは行わないが、VQCは古典的なベースラインよりもパフォーマンスが悪く、実際の量子コンピュータのさらなる研究に値する。

関連論文リスト

• Classical and Hybrid Quantum Machine Learning for Trigger-Like Event Selection on CMS Open Data: An Eight-Qubit, PCA-Constrained Benchmark [0.9106818059692908]
  イベントトリガーは高エネルギー物理学の中心に位置し、そこでは稀な関心事が維持されなければならない。 この研究は、サポートベクターマシン、人工ニューラルネットワーク、畳み込みネットワーク、長期記憶ネットワークの4つの古典的機械学習モデルを比較する。 CMSオープンデータから構築されたトリガのようなバイナリ分類タスク上の4つのハイブリッド量子対向体。
  論文  参考訳（メタデータ） (2026-08-26T15:32:44Z)
• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• 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)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Quantum Machine Learning for Credit Scoring [0.0]
  中小企業向けクレジットスコアリングにおける量子機械学習(QML)の利用について検討する。 量子/古典ハイブリッドアプローチは、いくつかのモデル、アクティベーション関数、エポック、その他のパラメータで使用されている。 350エポックの量子モデルと3500エポックの量子モデルを比較検討した。
  論文  参考訳（メタデータ） (2023-08-07T13:27:30Z)
• 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)
• 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)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A preprocessing perspective for quantum machine learning classification advantage using NISQ algorithms [0.0]
  変分量子アルゴリズム(VQA)は,LDA法とバランスの取れた精度で性能が向上したことを示す。 現在の量子コンピュータはノイズが多く、テストする量子ビットは少ないため、QML法の現在の量子的利点と潜在的な量子的優位性を実証することは困難である。
  論文  参考訳（メタデータ） (2022-08-28T16:58:37Z)

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。