論文の概要: Architectural Robustness to Label Noise Using Variational Quantum Circuits for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2610.16153v1
• Date: Mon, 12 Oct 2026 04:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:23:21.375433
• Title: Architectural Robustness to Label Noise Using Variational Quantum Circuits for Medical Image Classification
• Title（参考訳）: 医用画像分類のための変分量子回路を用いたラベルノイズに対する構造的ロバスト性
• Abstract要約: 本稿では,凍結したバックボーンの特徴を低次元境界ボトルネックにルーティングすることで,ロバスト性が得られるかどうかを考察する。 角度符号化と線形コスト関数を持つ変分量子回路は、まさにそのようなクラスを実現する。 クリーンなラベルの下で、モデルは公表されたハイブリッド量子古典モデルに対して、6つのMedMNISTv2ベンチマークのうち5つをリードする。
• 参考スコア（独自算出の注目度）: 1.2909179186346813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label noise is prevalent in medical image datasets, arising from observer disagreement and ambiguous cases and deep networks memorize the mislabeled examples at the cost of generalization. Current solutions such as loss correction and sample selection add training complexity and generally assume the noise rate is known or estimable. This paper investigates whether robustness can be obtained architecturally, by routing a frozen backbone's features through a low-dimensional bounded bottleneck and classifying them with a head whose function class is intrinsically smooth. Variational quantum circuits with angle encoding and a linear cost function realise exactly such a class. Their use in medical imaging, however, has been limited by the small number of qubits available on noisy intermediate-scale devices, which typically restricts inputs to low-resolution grayscale images. We therefore couple a frozen ImageNet-pretrained ViT-B/16 backbone to a trainable linear bottleneck and an eight-qubit variational quantum circuit, allowing 224x224 RGB inputs to be processed. Under clean labels the model leads five of six MedMNISTv2 benchmarks against published hybrid quantum-classical models, with margins of 17.4 and 15.7 percentages on BloodMNIST and PathMNIST. The advantage emerges under corrupted labels. At symmetric noise rates of 30% and 50% the model outperforms many published quantum and noise-robust classical baselines on all six datasets without any explicit noise-handling component. Against a control that shares the backbone, bottleneck, parameter count and optimizer and replaces only the circuit with a ReLU layer, it retains 89.75% accuracy on PathMNIST at 50% noise where the control falls to 78.96%. Direct measurement of training dynamics shows that this advantage is not an inability to fit corrupted labels, which the circuit retains, but greater stability under prolonged training on them.
• Abstract（参考訳）: ラベルノイズは、観察者の不一致やあいまいなケースから生じる医療画像データセットでよく見られ、ディープネットワークは、一般化のコストでラベルの誤りを記憶する。 損失補正やサンプル選択といった現在のソリューションは、トレーニングの複雑さを増し、一般的にノイズレートが知られているか推定可能であると仮定する。 本稿では,凍結したバックボーンの特徴を低次元境界ボトルネックにルーティングし,関数クラスが本質的に滑らかなヘッドで分類することにより,ロバスト性が得られるかどうかを考察する。 角度符号化と線形コスト関数を持つ変分量子回路は、まさにそのようなクラスを実現する。 しかし、医療画像における彼らの使用は、ノイズの多い中間スケールデバイスで利用可能な少数の量子ビットによって制限されており、通常は低解像度のグレースケール画像に入力を制限している。 したがって、フリーズされたImageNet-Pretrained ViT-B/16バックボーンをトレーニング可能な線形ボトルネックと8ビットの変動量子回路に結合し、224x224 RGBの入力を処理できる。 クリーンなラベルの下では、BloodMNISTとPathMNISTの17.4と15.7のマージンを持つハイブリッド量子古典モデルに対して、6つのMedMNISTv2ベンチマークのうち5つを導いた。 その利点は、腐敗したラベルの下に浮かび上がる。 対称ノイズレート30%と50%のモデルでは、明示的なノイズ処理成分を使わずに、6つのデータセット全てにおいて、多くの公表された量子的およびノイズローバートな古典的ベースラインを上回っている。 バックボーン、ボトルネック、パラメータカウント、オプティマイザを共有し、回路のみをReLU層に置き換える制御に対して、制御が78.96%になる50%のノイズでPathMNISTの精度は89.75%である。 トレーニングダイナミクスの直接測定により、この利点は、回路が保持する劣化ラベルに適合することができないが、長時間のトレーニングでは安定性が向上することを示している。

関連論文リスト

• SLT: Robust Quantum Neural Networks for Noisy-Label Medical Image Classification via Supermartingale-based Label Transition [7.9871241094193435]
  小規模の医用画像分類におけるノイズラベル学習は困難であり、ディープニューラルネットワークの優位性を妨げている。 近年の研究では、量子ニューラルネットワーク(QNN)が限られたデータレシエーションの可能性を示唆している。 ノイズラベルに基づく堅牢なQNNベースの医用画像分類のためのアンカーフリー損失補正フレームワークであるSupermartingale-based Label Transition (SLT)を提案する。
  論文  参考訳（メタデータ） (2026-07-13T06:37:29Z)
• An Adaptive Data cleaning Framework for Noisy Label Detection [0.0]
  ディープニューラルネットワーク(DNN)は、大きな注釈付きデータセットを与えられたコンピュータビジョンタスクに優れる。 現実世界のアプリケーションでは、ラベルは曖昧さ、ヒューマンエラー、動的環境によってしばしば破損する。 本稿では, 局所的, グローバル的, 学習動的キューを統合し, 頑健な雑音・ラベル検出を実現する自己適応型データクリーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T09:32:18Z)
• Scalable Quantum Error Mitigation with Physically Informed Graph Neural Networks [15.406494854444583]
  QEM(Quantum error mitigation)は、ノイズの多い量子デバイス上で信頼性の高い可観測物を推定するための実用的な経路を提供する。 物理情報をモデル表現に組み込んだグラフ強化緩和(GEM)フレームワークを構築した。 我々は,GEMがCDRに匹敵する精度のレベルを提供すると同時に,平均絶対誤差を低くし,より大規模なシステムへのゼロショット転送の安定性を向上することを示した。
  論文  参考訳（メタデータ） (2026-04-18T04:04:54Z)
• Multiscale Switch for Semi-Supervised and Contrastive Learning in Medical Ultrasound Image Segmentation [9.346812835233482]
  医用超音波画像のセグメンテーションは、ラベル付きデータや特徴的な画像アーティファクトに制限があるため、重大な課題に直面している。 2つの重要なイノベーションを持つ新しいSSLフレームワークであるSwitchを提案する。 我々のフレームワークは、これらのコンポーネントを教師-学生アーキテクチャに統合し、ラベル付きデータとラベルなしデータの両方を効果的に活用する。
  論文  参考訳（メタデータ） (2026-03-19T09:20:37Z)
• Quantum Probabilistic Label Refining: Enhancing Label Quality for Robust Image Classification [30.87772545335523]
  1ホットラベルでのソフトマックスのクロスエントロピーによる学習は、しばしばノイズや摂動下での過信的な予測や頑丈さの低下につながる。 本稿では、量子非決定性を利用してデータラベルを確率論的に洗練するハイブリッド量子古典フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-01T05:21:29Z)
• Guarantees of confidentiality via Hammersley-Chapman-Robbins bounds [61.50022257278769]
  ノイズは最終分類器や他のタスク固有のレイヤの前に、最後のレイヤのアクティベーションに追加される。 入力の可能な全ての非バイアス推定器のばらつきを低くすることは、そのような付加ノイズから生じる機密性を定量化する。 数値実験により、HCR境界は小さなニューラルネットに対して有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-03T16:58:03Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• A Data-driven Loss Weighting Scheme across Heterogeneous Tasks for Image Denoising [67.02529586335473]
  変分分解モデルでは、データ忠実度項の重みはノイズ除去能力を高める役割を担っている。 本研究では,これらの問題に対処するデータ駆動型損失重み付け手法を提案する。 DLWの顕著な性能を検証し,様々な変分復調モデルの複素雑音処理能力の向上に寄与することを示した。
  論文  参考訳（メタデータ） (2022-12-09T03:28:07Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)

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。