論文の概要: Hybrid Variational Quantum-Classical Framework with Adaptive Weighting and Efficiency Assessment

• arxiv url: http://arxiv.org/abs/2609.28491v1
• Date: Sun, 30 Aug 2026 12:44:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.035488
• Title: Hybrid Variational Quantum-Classical Framework with Adaptive Weighting and Efficiency Assessment
• Title（参考訳）: 適応重み付けと効率評価を併用したハイブリッド変分量子古典的枠組み
• Abstract要約: ハイブリッド量子古典ニューラルネットワークは、機械学習で量子コンピューティングを活用するための有望なアプローチとして登場した。 本稿では,適応型パラメータフリーなSimAM重み付けモジュールと古典的特徴抽出を組み合わせたハイブリッドなDeep Quantum Neural NetworkであるSim-HVQCを提案する。 このフレームワークは,マルチシード評価,パラメータ解析,潜時/量子的特徴検査を通じて,パラメータ効率,解釈可能性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid quantum-classical neural networks have emerged as a promising approach for leveraging quantum computing in machine learning while mitigating current hardware limitations. This paper presents Sim-HVQC, a hybrid Deep Quantum Neural Network that couples an adaptive, parameter-free SimAM weighting module with classical feature extraction to preserve class-discriminative information prior to encoding into a Variational Quantum Circuit (VQC). Previous studies are restricted to binary classification [1] [2] [3] [4] [5]. In contrast, the proposed framework is trained and evaluated on various multi-class datasets(MNIST, KMNIST, Fashion-MNIST, and EMNIST). The framework further demonstrates reproducibility, parameter efficiency, and interpretability through multi-seed evaluation, parameter analysis, and latent/quantum feature inspection. The source code is publicly available at https://github.com/Dilli822/ SimAM-HVQC
• 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、現在のハードウェア制限を緩和しつつ、機械学習で量子コンピューティングを活用するための有望なアプローチとして登場した。 本稿では,適応型パラメータフリーなSimAM重み付けモジュールと古典的特徴抽出を結合させて,変分量子回路(VQC)に符号化される前のクラス識別情報を保存するハイブリッドなDeep Quantum Neural NetworkであるSim-HVQCを提案する。 以前の研究は二項分類 [1] [2] [3] [4] [5] に制限されている。 対照的に、提案するフレームワークは、様々なマルチクラスデータセット(MNIST、KMNIST、Fashion-MNIST、EMNIST)で訓練され、評価される。 このフレームワークはさらに、多種評価、パラメータ分析、潜時/量子的特徴検査を通じて再現性、パラメータ効率、解釈可能性を示す。 ソースコードはhttps://github.com/Dilli822/SimAM-HVQCで公開されている。

関連論文リスト

• Feature-Adaptive Fusion in Hybrid Quantum-Classical Neural Networks for Robust Biomedical Image Classification [5.648121717707402]
  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。
  論文  参考訳（メタデータ） (2026-09-14T09:26:39Z)
• Hybrid Classical-Quantum Variational Autoencoder for Neural Topic Modeling [0.0]
  トピックモデリングのための古典量子変分オートエンコーダ(VAE)を提案する。 VAEは、古典的なトピックワードデコーダを保持しながら、パラメータ化された量子回路をVAE推論ネットワークに埋め込む。 AgNewsデータセットでは、ハイブリッドVAEが最先端のニューラルトピックモデルを上回っている。
  論文  参考訳（メタデータ） (2026-06-11T19:31:46Z)
• Hybrid Classical-Quantum Transfer Learning with Noisy Quantum Circuits [0.0]
  画像分類のためのコンパクトな量子トランスファー学習アーキテクチャのファミリを紹介する。 我々はPennyLaneとQiskitで実装された古典量子ハイブリッドモデルのインスタンス化と評価を行う。 実験の結果,提案した量子伝達学習アーキテクチャは競争力があり,いくつかの場合において精度が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-17T12:28:33Z)
• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• 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)
• 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)
• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出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アーキテクチャを提案する。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• 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)
• 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)
• 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)
• Quantum Machine Learning with SQUID [64.53556573827525]
  分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。 本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
  論文  参考訳（メタデータ） (2021-04-30T21:34:11Z)

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。