論文の概要: Sample-Size Scalability and Representation Sensitivity of Quantum Machine Learning Models for Higgs Boson Event Classification

• arxiv url: http://arxiv.org/abs/2610.14533v1
• Date: Sat, 10 Oct 2026 03:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 13:03:43.031581
• Title: Sample-Size Scalability and Representation Sensitivity of Quantum Machine Learning Models for Higgs Boson Event Classification
• Title（参考訳）: ヒッグスボソンイベント分類のための量子機械学習モデルのサンプルサイズスケーラビリティと表現感度
• Abstract要約: 量子支援ベクトルマシンと変分量子分類器のサンプルサイズスケーラビリティと表現感度について検討する。 モデルは250から4000のイベントのバランスの取れたサブセットでトレーニングされ、ホールドアウトサンプルで評価される。
• 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: Quantum machine learning offers new approaches to multivariate event classification in high-energy physics, but its performance relative to optimized classical methods remains uncertain under limited training data and restricted quantum resources. We investigate the sample-size scalability and representation sensitivity of a quantum support vector machine and a variational quantum classifier for Higgs-boson signal--background discrimination using simulated events from the ATLAS Higgs Machine Learning Challenge. The models are trained on balanced subsets ranging from 250 to 4000 events and evaluated on held-out samples preserving the original class distribution. Principal component analysis (PCA) and autoencoder (AE) representations are examined to reduce the input dimensionality and quantum-resource requirements. Four optimized classical classifiers are used as benchmarks under a common preprocessing, validation, and evaluation protocol. We assess training-sample scalability in classical and quantum classifiers using a four-component PCA representation and examine representation sensitivity through a secondary matched-event comparison of four- and eight-component PCA representations. Within the evaluated Higgs-boson classification setting, the QSVM showed stronger performance than the VQC at larger training sample sizes, while remaining below the best-performing classical classifiers.
• Abstract（参考訳）: 量子機械学習は、高エネルギー物理学における多変量事象分類の新しいアプローチを提供するが、最適化された古典的手法に対するその性能は、限られた訓練データと制限された量子資源の下では不確実である。 我々は,ATLAS Higgs Machine Learning Challengeのシミュレーションイベントを用いた,ヒッグスボソン信号に対する量子支援ベクトルマシンと変分量子分類器のサンプルサイズスケーラビリティと表現感度について検討した。 モデルは250から4000のイベントを含むバランスのとれたサブセットに基づいてトレーニングされ、元のクラス分布を保存する保留サンプルで評価される。 主成分分析 (PCA) とオートエンコーダ (AE) の表現について検討し, 入力次元と量子リソース要求を低減した。 4つの最適化された古典的分類器は、共通の前処理、検証、評価プロトコルの下でベンチマークとして使用される。 古典的および量子的分類器における4成分PCA表現を用いたトレーニングサンプルのスケーラビリティの評価と、4成分PCA表現と8成分PCA表現の二次一致イベント比較による表現感度の検討を行う。 評価したヒッグス・ボソン分類設定では、QSVMはVQCよりも大きなトレーニングサンプルサイズで高い性能を示した。

関連論文リスト

• 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)
• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• Quantum Machine Learning for Image Classification: A Hybrid Model of Residual Network with Quantum Support Vector Machine [0.0]
  本研究では,特徴抽出にResNet-50,ポテト病検出にQuantum Support Vector Machines(QSVM)を用いたハイブリッド手法を提案する。 本研究では,ResNet-50を用いて,ポテト病のRGB画像から深い特徴表現を抽出し,主成分分析(PCA)を用いて次元化を図った。 実験の結果、Z-Feature MapベースのQSVMは古典的なモデルよりも優れており、99.23パーセントの精度でSVMとRFモデルを上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-10-26T07:52:53Z)
• Quantum Machine Learning Applied to the Sinking of the Titanic [0.0]
  量子モデルは、最大50の変動パラメータを持つパウリエンタングリングと非エンタングリング拡張ベースの特徴写像とリアル振幅アンサッツを用いて構築された。 モデルトレーニングでは、クロスエントロピー損失を最小限に抑えるため、COBYLAグラデーションフリーフレームワークを使用した。
  論文  参考訳（メタデータ） (2025-08-31T16:00:52Z)
• Comparative Analysis of Quantum Support Vector Machines and Variational Quantum Classifiers for B-cell Epitope Prediction in Vaccine Design [0.0]
  本研究では,B細胞予測における量子支援ベクトルマシン(QSVM)と変分量子(VQC)の2つの量子機械学習モデルについて検討した。
  論文  参考訳（メタデータ） (2025-04-14T10:19:33Z)
• 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)
• Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance [0.0]
  古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。 線形分類パターン(LCP)と非線形分類パターン(NLCP)の2つの分類パターンに対するアプローチを実証する。
  論文  参考訳（メタデータ） (2024-05-15T14:28:00Z)
• 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)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Variational Quantum Approximate Support Vector Machine With Inference Transfer [0.8057006406834467]
  複素データの超線形分類のためのカーネルベースの量子機械学習手法を提案する。 サポートベクトルマシンは、量子回路上で本質的にかつ明示的に実現することができる。 虹彩データ分類の精度は98.8%に達した。
  論文  参考訳（メタデータ） (2022-06-29T09:56:59Z)

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。