論文の概要: Landscape-Dependent Performance of Photonic Quantum Solvers in QUBO Feature Selection for Financial Risk Detection

• arxiv url: http://arxiv.org/abs/2610.03161v1
• Date: Fri, 02 Oct 2026 11:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.350715
• Title: Landscape-Dependent Performance of Photonic Quantum Solvers in QUBO Feature Selection for Financial Risk Detection
• Title（参考訳）: 金融リスク検出のためのQUBO特徴選択におけるフォトニック量子ソルバーの景観依存性能
• Abstract要約: クレジットカード詐欺や消費者のデフォルト検出などの不均衡な分類タスクの特徴選択は、予測関連性、機能間冗長性、計算可能性のバランスをとる必要がある。 我々は3つの計算パラダイム、古典的分岐とバウンド最適化(Gurobi)、フォトニックエントロピーコンピューティング(QCI Dirac-3)、シミュレートされたフォトニックボソンサンプリング(Piquasso)をベンチマークする。 一致した予算では、F1はAmExよりもULBの手法の約10倍の差があり、予測信号が各特徴空間にどれだけ集中しているかが分かる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature selection for imbalanced classification tasks such as credit card fraud and consumer default detection requires balancing predictive relevance, inter-feature redundancy, and computational feasibility. We benchmark three computing paradigms, classical branch-and-bound optimization (Gurobi), photonic entropy computing (QCI Dirac-3), and simulated photonic boson sampling (Piquasso), across thirteen feature-selection methods on two datasets: ULB Credit Card Fraud (30 features) and AmEx consumer default (159 features). Each method is routed to the solver matched to its mathematical structure. On ULB, Dirac-3 MI-Spearman matches the all-features model using 13 of 30 features (mean F1 0.873 +/- 0.023 over five runs, best run 0.896), and Piquasso is the best method at k=5. On AmEx, performance rises steadily with the feature budget and every paradigm approaches F1 = 0.80 only near the full feature set. Most differences between Gurobi and Dirac-3 on identical methods fall within run-to-run variation; the large gaps occur where the certified optimum generalizes poorly, most sharply for distance correlation on AmEx at k=25 (Gurobi F1 = 0.422 vs. a Dirac-3 mean of 0.746). At matched budgets, F1 varies about ten times more across methods on ULB than on AmEx, which we trace to how concentrated the predictive signal is in each feature space.
• Abstract（参考訳）: クレジットカード詐欺や消費者のデフォルト検出などの不均衡な分類タスクの特徴選択は、予測関連性、機能間冗長性、計算可能性のバランスをとる必要がある。 我々は,古典的分岐・バウンド最適化(Gurobi),フォトニック・エントロピー・コンピューティング(QCI Dirac-3),シミュレートされたフォトニック・ボソン・サンプリング(Piquasso)の3つのパラダイムを,ULB Credit Card Fraud(30機能)とAmEx Consumer default(159機能)という2つのデータセットでベンチマークした。 それぞれの解法は、その数学的構造と一致する解法にルートされる。 ULBでは、Dirac-3 MI-Spearmanが30機能中13機能(F1 0.873 +/-0.023が5ラン、ベストラン0.896)で全機能モデルにマッチし、ピクアッソはk=5で最良の方法である。 AmExでは、機能予算によってパフォーマンスが着実に上昇し、すべてのパラダイムがF1 = 0.80 にアプローチします。 グロビとディラック3の違いのほとんどは、同一の方法でのラン・ツー・ランの変動に該当するが、認定された最適値がk=25のAmEx上の距離相関(Gurobi F1 = 0.422 vs. ディラック3平均0.746)では、大きなギャップが生じる。 一致した予算では、F1はAmExよりもULBの手法の約10倍の差があり、予測信号が各特徴空間にどれだけ集中しているかが分かる。

関連論文リスト

• Quantum Feature Engineering for Credit Default Prediction: When and Why IQP Circuits Help Linear Classifiers [3.029054495277686]
  IQP回路は,従来のベースラインとKernel PCAの両方に比較して,分類器を改善することができることを示す。 ランダムフォレスト重要誘導選択は F1 = 0.523 に到達し、最大で非相関な特徴の符号化は 0.496 に減少する。
  論文  参考訳（メタデータ） (2026-09-09T17:41:27Z)
• Multimodal Ambivalence and Hesitancy Recognition via Cross-Attention and Gated Fusion [1.6950215926321557]
  本稿では,ECCV 2026におけるABAW11チャレンジのために開発されたビデオにおけるAmbivalence/Hesitancy(A/H)認識のためのフレームワークを提案する。 提案手法は,BAHデータセットから抽出したテキスト,音響,視覚のモダリティを融合する。 このモデルは検証セット上で textbf0.7394 のマクロ F1 を達成する。
  論文  参考訳（メタデータ） (2026-07-17T09:23:36Z)
• Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders [0.0]
  1,056のデコード構成と340,000の主観レベルモデルを評価した。 すべてのモデルは、単一の参加者の1つのセッションで適合し、テストされます。 最も簡単な体制でも、単一のパイプラインが支配的になることはない。
  論文  参考訳（メタデータ） (2026-06-23T10:26:27Z)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• Problems with Chinchilla Approach 2: Systematic Biases in IsoFLOP Parabola Fits [35.1311414689253]
  チチラアプローチ2は、3.8タイムス1025ドルのFLOPトレーニング予算の6.5%に相当するパラメータアンダーアロケーションをバイアスしている。 チンチラアプローチ3は、これらのバイアスを大幅に排除するが、データ効率が低く、数値的に不安定であり、局所的なミニマに傾向があるとみなされることが多い。 より便利なアプローチ2の代替として機能するか、よりリッチなスケーリング法定式化へのアプローチ3の適応に対して、よりスケーラブルな代替手段として機能する。
  論文  参考訳（メタデータ） (2026-03-21T09:22:50Z)
• Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
  既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。 本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。 提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
  論文  参考訳（メタデータ） (2024-06-27T02:46:30Z)
• Unbalanced Optimal Transport: A Unified Framework for Object Detection [97.74382560746987]
  不均衡最適輸送がオブジェクト検出に対する異なるアプローチをどのように統合するかを示す。 非平衡最適輸送を用いた物体検出モデルの訓練が最先端に到達可能であることを示す。 このアプローチはGPUの実装に適しており、大規模なモデルに有利であることが証明されている。
  論文  参考訳（メタデータ） (2023-07-05T16:21:52Z)
• ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
  本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。 ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
  論文  参考訳（メタデータ） (2020-06-01T05:00:51Z)

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。