論文の概要: Quantum anomaly detection in real scarce data

• arxiv url: http://arxiv.org/abs/2610.09635v1
• Date: Wed, 07 Oct 2026 08:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.792681
• Title: Quantum anomaly detection in real scarce data
• Title（参考訳）: 実データにおける量子異常検出
• Abstract要約: 小さいデータセットとバランスの取れていないデータセットの異常検出は、マシンラーニングでは依然として非常に難しい。 本稿では,シーケンシャルデータのための2段階のハイブリッド量子アーキテクチャを提案し,グローバルエネルギー遷移領域における現実的なシナリオで検証する。
• 参考スコア（独自算出の注目度）: 0.13999481573773068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection on small and unbalanced datasets remains very challenging in machine learning, although this scenario is common in several domains, including healthcare, cybersecurity, finance, and energy. Data augmentation and generative AI may mitigate training-data scarcity, but they often fall short because anomalies are, by definition, unpredictable, rare, and highly diverse events compared to high-probability normal data. Overfitting to pseudo-anomalies, model collapse, high-dimensional data, uninterpretable black-box models, and validation challenges are typical issues limiting their practical applicability. In this context, quantum machine learning may provide a promising and more sustainable avenue because it can enable more interpretable models with far fewer trainable parameters and smaller datasets, implementable on energy-efficient quantum hardware. Here, we propose a novel two-step hybrid classical--quantum architecture for sequential data and test it on a realistic scenario in the global energy-transition domain, i.e., automated anomaly detection in large-scale photovoltaic plants. The achieved generalization capability and competitive prediction accuracy may pave the way for new hybrid learning models able to exploit the continuously increasing power of cloud-available and more sustainable quantum accelerators integrated with more traditional energy-hungry High Performance Computing resources.
• Abstract（参考訳）: このシナリオは、医療、サイバーセキュリティ、ファイナンス、エネルギーなど、いくつかの領域で一般的である。 データ拡張と生成AIは、トレーニングデータの不足を軽減する可能性があるが、異常は定義上、予測不能で、稀で、高確率の通常のデータと比較して非常に多様なイベントであるため、しばしば不足する。 擬似異常、モデル崩壊、高次元データ、解釈不能なブラックボックスモデル、検証課題への過度な適合は、実用性を制限する典型的な問題である。 この文脈では、量子機械学習は、エネルギー効率のよい量子ハードウェア上で実装可能な、トレーニング可能なパラメータとデータセットをはるかに少なく、より解釈可能なモデルを可能にするため、より有望で持続可能な経路を提供することができる。 本稿では, 大規模太陽光発電プラントにおける自動異常検出という, グローバルエネルギー遷移領域における現実的なシナリオに基づいて, シーケンシャルデータのための2段階のハイブリッド量子アーキテクチャを提案する。 達成された一般化能力と競争予測精度は、より伝統的なエネルギー消費の高い高性能コンピューティングリソースと統合されたクラウドで利用可能なより持続可能な量子加速器の継続的なパワーを活用できる新しいハイブリッド学習モデルの道を開くかもしれない。

関連論文リスト

• Hybrid Quantum CNN for Cross-Sensor Spaceborne Volcanic Thermal Activity Recognition Worldwide [63.84017474733142]
  本研究では,地球規模での火山熱活動のクロスセンサ認識のためのハイブリッド量子AlexNetアーキテクチャを提案する。 提案モデルでは,高次空間特徴抽出のための古典的畳み込みバックボーンと,変分層として機能するパラメータ化量子回路(PQC)を組み合わせた。 実験により, 提案したハイブリッド量子モデルは, より識別的な特徴表現を学習し, 異種火山環境におけるクロスセンサの伝達性やロバスト性の向上につながることが示された。
  論文  参考訳（メタデータ） (2026-07-29T08:34:44Z)
• Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis [1.2676356746752895]
  本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。 量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。 結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T16:11:39Z)
• Progressive multi-fidelity learning for physical system predictions [0.3499870393443268]
  本稿では,プログレッシブ・マルチファイダリティ・サロゲートモデルを提案する。 ソートエンコーダを使用して、さまざまなデータタイプを順次組み込む。 マルチモーダルデータを確実に統合し,正確な予測を行う。
  論文  参考訳（メタデータ） (2025-10-15T17:10:47Z)
• Quantum-Boosted High-Fidelity Deep Learning [7.198071279424711]
  本稿では,大規模かつ長期間安定なハイブリッド量子古典アーキテクチャであるQuantum Boltzmann Machine-Variational Autoencoder (QBM-VAE)を紹介する。 我々のフレームワークは、ボルツマン分布からの効率的なサンプリングのために量子プロセッサを活用し、深層生成モデルにおける強力な先行モデルとしての使用を可能にした。
  論文  参考訳（メタデータ） (2025-08-15T03:51:20Z)
• Stable Port-Hamiltonian Neural Networks [12.84178151785869]
  本稿では,エネルギー保存と散逸の物理的バイアスを組み込んだ機械学習アーキテクチャである,安定なポート・ハミルトンニューラルネットワークを紹介する。 これらの強い帰納バイアスは、不安定なデータから安定なダイナミクスを堅牢に学習し、不安定性を回避し、正確さと物理的に意味のある一般化において純粋にデータ駆動アプローチを超越することを実証する。
  論文  参考訳（メタデータ） (2025-02-04T16:57:02Z)
• Dissipation-induced Quantum Homogenization for Temporal Information Processing [44.99833362998488]
  量子貯水池は、ハミルトニアンパラメータの精密な制御や微調整なしに、情報処理やターゲット時系列生成に量子システムの複雑なリアルタイム散逸ダイナミクスを利用するため、大きなポテンシャルを持つ。 本稿では, 分散量子ホモジェナイザーを代替プラットフォームとして提案し, 貯水池力学の必要十分かつ十分な条件 – 安定性と収縮性 – を満たすことを証明する。 その結果、核磁気共鳴アンサンブルまたはフォトニック系として物理的に実装可能な量子均質化プロトコルが、貯水池コンピュータとして機能する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-12-13T09:05:41Z)
• Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods [0.7234862895932991]
  原子間相互作用のデータ駆動機械学習(ML)モデルは、原子配列のニュアンスな側面をエネルギーと力の予測に関連付けることができる。 主な課題は、化学環境のディスクリプタが、よく明確に定義された連続計量のない高次元の物体であるという事実に起因している。 実験の統計的計画と最適設計の古典的な概念は、そのような問題を比較的低い計算コストで緩和するのに役立つことを実証する。
  論文  参考訳（メタデータ） (2024-05-14T14:14:23Z)
• ImputeFormer: Low Rankness-Induced Transformers for Generalizable Spatiotemporal Imputation [43.684035409535696]
  既存の計算ソリューションには、主に低ランクモデルとディープラーニングモデルが含まれる。 強誘導バイアスと高時間モデル表現率の低ランク化によるバイアスバランスを示す。 交通流,太陽エネルギー,スマートメーター,空気品質など,異種データセットの精度,効率,汎用性において,その優位性を示す。
  論文  参考訳（メタデータ） (2023-12-04T08:35:31Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)

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。