論文の概要: Quantum Feature Selection for Biomedical Data Analysis

• arxiv url: http://arxiv.org/abs/2609.30256v1
• Date: Thu, 24 Sep 2026 17:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.212603
• Title: Quantum Feature Selection for Biomedical Data Analysis
• Title（参考訳）: バイオメディカルデータ解析のための量子特徴選択
• Abstract要約: そこで本研究では,QUBO問題としてメタボロミクス特徴選択を応用した,新しい擬似非拘束バイナリ最適化(QUBO)係数の定式化を提案する。 本手法は,全検索および反復タブサーチ(ITS)と比較して実行時間を短縮し,分類器間の競合性能を実現する。 これらの結果は量子優位性を主張せず、ハードウェアの実現可能性を確立し、ノイズ中間スケール量子(NISQ)デバイスの現在の能力を実証している。
• 参考スコア（独自算出の注目度）: 6.418582179165067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature selection is an essential step for reducing complexity of high dimensional data, usually in preparation for developing machine learning models such as computational biomarkers. However, there are limitations associated with feature selection such as for metabolomic data where there are hundreds or even thousands of features per study participant, while the available number of participants in a clinical trials is limited. Classical methods such as exhaustive search require evaluation of all possible feature combinations, making them costly in terms of computation and runtime, or even infeasible, as feature dimensionality increases. In this study, we propose a novel Quadratic Unconstrained Binary Optimization (QUBO) coefficient formulation and pose metabolomic feature selection as a QUBO problem that selects a specified number of features by balancing their relevance against redundancy among the selected variables. To evaluate our proposed QUBO objective function, we conducted a series of experiments using Bias-Field Digitized Counterdiabatic Quantum Optimization (BF-DCQO) and Quantum Approximate Optimization Algorithm (QAOA) on a quantum gate based computer. We also compared the method to several classical methods on three metabolomic datasets associated with Autism Spectrum Disorder (ASD) on a classical computer. Our method reduces runtime compared with exhaustive search and Iterative Tabu Search (ITS) and achieves competitive performance across classifiers compared to classical filter, wrapper, and embedded methods. These results do not claim quantum advantage; rather, they establish hardware feasibility and demonstrate the current capabilities of Noisy Intermediate-Scale Quantum (NISQ) devices.
• Abstract（参考訳）: 特徴選択は、通常、計算バイオマーカーのような機械学習モデルを開発する準備として、高次元データの複雑さを減らすための重要なステップである。 しかし, 臨床検査の参加者数に制限があるのに対し, メタボロミクスデータなどの特徴選択には, 被験者ごとに数百, 数千の特徴があるという制限がある。 徹底探索のような古典的な手法では、全ての可能な特徴の組み合わせを評価する必要があり、特徴の次元が増加するにつれて、計算と実行の点でコストがかかる。 そこで本研究では,QUBO問題として擬似非拘束バイナリ最適化(QUBO)係数の定式化とメタボロミクスの特徴選択を提案する。 提案したQUBOの目的関数を評価するために,BF-DCQO(Bias-Field Digitized Counterdiabatic Quantum Optimization)とQAOA(Quantum Approximate Optimization Algorithm)を用いて,量子ゲートベースのコンピュータ上で実験を行った。 また,本手法を,自閉症スペクトラム障害(ASD)に関連する3つのメタボロミクスデータセット上の古典的手法と比較した。 提案手法は, サーチおよび反復タブサーチ(ITS)と比較して実行時間を短縮し, 従来のフィルタ, ラッパー, 組込み方式と比較して, 分類器間での競合性能を実現する。 これらの結果は量子優位性を主張せず、ハードウェアの実現可能性を確立し、ノイズ中間スケール量子(NISQ)デバイスの現在の能力を実証している。

関連論文リスト

• Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware [4.622928173506349]
  本稿では,高次非制約二元最適化(HUBO)の定式化に基づく量子的特徴選択フレームワークを提案する。 提案モデルには,相互情報量から導出される1,2,3体相互作用項が含まれる。 提案したワークフローをGallstoneデータセットとSpambaseデータセットという2つのベンチマーク分類データセットで評価する。
  論文  参考訳（メタデータ） (2026-04-29T16:01:39Z)
• Quantum Annealing for Machine Learning: Applications in Feature Selection, Instance Selection, and Clustering [41.94295877935867]
  量子解法と古典解法をともに実装し,その有効性を比較する。 特徴選択のために,特徴量と冗長性のバランスをとるいくつかのQUBO構成を提案する。 事例選択では,既存手法を拡張した事例レベルの重要度尺度を提案する。 クラスタリングには古典的クラスタリングとQUBOベースのメドイドリファインメントを併用した古典的量子パイプラインを組み込む。
  論文  参考訳（メタデータ） (2025-07-20T17:59:14Z)
• Quantum Annealing Feature Selection on Light-weight Medical Image Datasets [8.813070033148023]
  軽度医用画像データセットの特徴選択という,計算集約的な課題に取り組むために,実際の量子ハードウェアにおける量子コンピューティングアルゴリズムの利用について検討する。 本稿では,市販の量子アニールよりも大きな特徴選択を解く方法を提案する。 本手法は,小型の医用画像の再構成に用いる画素マスクを特徴選択によって識別する玩具問題において試験される。
  論文  参考訳（メタデータ） (2025-02-26T15:09:23Z)
• Probabilistic Sampling of Balanced K-Means using Adiabatic Quantum Computing [93.83016310295804]
  AQCは研究関心の問題を実装でき、コンピュータビジョンタスクのための量子表現の開発に拍車をかけた。 本研究では,この情報を確率的バランスの取れたk平均クラスタリングに活用する可能性について検討する。 最適でない解を捨てる代わりに, 計算コストを少なくして, 校正後部確率を計算することを提案する。 これにより、合成タスクと実際の視覚データについて、D-Wave AQCで示すような曖昧な解とデータポイントを識別することができる。
  論文  参考訳（メタデータ） (2023-10-18T17:59:45Z)
• 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)
• Quantum-Enhanced Selection Operators for Evolutionary Algorithms [0.0]
  遺伝的アルゴリズムの選択機構において量子化演算子を用いて得られた結果について検討する。 これらの量子化アルゴリズムを古典的アルゴリズムに対してベンチマークする。
  論文  参考訳（メタデータ） (2022-06-21T21:36:39Z)
• Quantum Feature Selection [2.5934039615414615]
  機械学習では、より少ない機能がモデルの複雑さを減少させる。 本稿では,2次非制約二元最適化問題に基づく特徴選択アルゴリズムを提案する。 反復法や欲求法とは対照的に、我々の直接的なアプローチは高品質な解をもたらす。
  論文  参考訳（メタデータ） (2022-03-24T16:22:25Z)
• 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。