論文の概要: A Width-Matched Comparison of Hybrid Quantum-Classical Self-Supervised Learning for Fingerprint Recognition
- arxiv url: http://arxiv.org/abs/2609.39172v2
- Date: Fri, 02 Oct 2026 15:07:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:29.960642
- Title: A Width-Matched Comparison of Hybrid Quantum-Classical Self-Supervised Learning for Fingerprint Recognition
- Title（参考訳）: 指紋認識のためのハイブリッド量子古典的自己監督学習の幅整合比較
- Abstract要約: 自己教師付き学習(SSL)は、大きなラベル付き学習セットの必要性を取り除く。
ハイブリッド量子古典モデルが学習した表現を豊かにすることを示す。
得られた利得が量子回路に帰属するかどうかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fingerprint recognition is a widely deployed biometric, but supervised training requires large labeled enrollment sets. Self-supervised learning (SSL) removes this requirement, and hybrid quantum-classical models have been proposed to enrich the learned representations. Prior quantum SSL studies consider a single contrastive objective, so it is unclear whether reported benefits depend on the objective or can be attributed to the quantum circuit. We insert the QuFeX quantum feature-extraction module into three SSL frameworks, the contrastive SimCLR and MoCo v2 and the non-contrastive BYOL, and compare each hybrid with its classical counterpart at matched representation width (8 features, equal to 8 qubits) on the SOCOFing fingerprint dataset, with a CIFAR-10 control, using k-nearest-neighbor identification on encoder features. In single-run experiments the hybrid scores clearly higher for both contrastive objectives, whereas for BYOL a multi-seed analysis shows no reliable difference, suggesting that any benefit depends on the SSL objective. A hardware-efficient circuit (QNet) does not show the same gain. We examine whether the gains can be attributed to the quantum circuit, considering circuit architecture, trainable parameter count, nonlinearity, and the classical simulability of 8-qubit circuits.
- Abstract（参考訳）: 指紋認識は広く展開されている生体認証であるが、教師付きトレーニングには大きなラベル付き登録セットが必要である。
自己教師付き学習(SSL)はこの要件を取り除き、学習された表現を豊かにするハイブリッド量子古典モデルが提案されている。
以前の量子SSL研究では、単一の対照的な目的が考慮されていたため、報告された利点が目的に依存しているか、量子回路に起因する可能性があるかは定かではない。
我々は,QuFeX量子特徴抽出モジュールを,コントラストのSimCLRとMoCo v2と非コントラストのBYOLの3つのSSLフレームワークに挿入し,それぞれのハイブリッドを,SOCOFingの指紋データセット上で一致する表現幅(8 qubits)で比較し,エンコーダの k-nearest-neighbor 識別を用いて CIFAR-10 制御を行う。
一方、BYOLでは、マルチシード分析では信頼性のある差は見られず、SSLの目的に依存していることが示唆されている。
ハードウェア効率の良い回路(QNet)は、同じ利得を示さない。
回路アーキテクチャ,トレーニング可能なパラメータ数,非線形性,8量子ビット回路の古典的シミュラビリティを考慮し,ゲインが量子回路に帰属するかどうかを検討する。
関連論文リスト
- How Quantum Is the Advantage? A Fair, Calibration- and Noise-Aware Benchmark and Attribution Audit of Quantum Machine Learning for Network Intrusion Detection [0.0]
ネットワーク侵入検出のための量子機械学習は、ほぼ完全な精度に達するように定期的に報告される。
多くの厳密な研究は、よく調整された古典的なモデルは競争力を維持している。
本稿では,ハイブリッド変分量子回路の評価を行う,統一的で再現可能なQML-IDSベンチマークを提案する。
論文 参考訳（メタデータ） (2026-08-13T07:44:35Z) - 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) - 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) - Parameterized Quantum Circuits as Feature Maps: Representation Quality and Readout Effects in Multispectral Land-Cover Classification [0.0]
マルチスペクトル衛星画像からの土地被覆分類のための変分量子分類器(VQC)について検討する。
以上の結果から,線形読み出し付きVQCはRBF-SVMのような古典的ベースラインに勝るものの,同じ訓練された量子特徴写像は性能を著しく向上させることができることがわかった。
論文 参考訳（メタデータ） (2026-04-29T13:47:18Z) - Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks [0.0]
効率的なデータローディングは、短期的な量子機械学習のボトルネックであり続けている。
ハードウェアのネイティブリソースを分散するデータ埋め込み戦略であるShot-Based Quantum Coherence(SBQE)を紹介した。
SBQEは、重みが量子回路によって実現される多層パーセプトロンと構造的に等価であることを示す。
論文 参考訳（メタデータ） (2026-04-07T17:44:37Z) - 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) - CLAQS: Compact Learnable All-Quantum Token Mixer with Shared-ansatz for Text Classification [25.923244871975058]
テキスト分類のためのコンパクトで完全量子トークンミキサーであるCLAQSを提案する。
振幅スケーリングを規制するためにl1正規化を適用し、2段階のパラメタライズド量子アーキテクチャを導入する。
CLAQSはスライディングウインドウの下で動作しており、8つのデータキュービットと浅い回路しか必要としないが、SST-2では91.64%、IMDBでは87.08%の精度を達成している。
論文 参考訳（メタデータ） (2025-10-08T00:20:08Z) - 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 Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。
入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。
我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2025-04-13T11:49:53Z) - Interactive Protocols for Classically-Verifiable Quantum Advantage [46.093185827838035]
証明者と検証者の間の「相互作用」は、検証可能性と実装のギャップを埋めることができる。
イオントラップ量子コンピュータを用いた対話型量子アドバンストプロトコルの最初の実装を実演する。
論文 参考訳（メタデータ） (2021-12-09T19:00:00Z) - QUANTIFY: A framework for resource analysis and design verification of
quantum circuits [69.43216268165402]
QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。
Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。
ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
論文 参考訳（メタデータ） (2020-07-21T15:36:25Z)
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。