論文の概要: Quantum Versus Classical Machine Learning for Neuropsychiatric Disorders: A Feature-Matched Multi-Cohort Evaluation

• arxiv url: http://arxiv.org/abs/2610.21344v1
• Date: Thu, 15 Oct 2026 06:28:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.219247
• Title: Quantum Versus Classical Machine Learning for Neuropsychiatric Disorders: A Feature-Matched Multi-Cohort Evaluation
• Title（参考訳）: 神経精神疾患に対する量子対数古典的機械学習 : 特徴整合型マルチコホート評価
• Abstract要約: 我々は4つの公的なコホートで同一の相関関係を持つ特徴を用いて6つの量子モデルファミリーを古典的モデルと比較した。 量子核は、4つのコホート全体にわたって一致した古典的核と統計的に区別できない。 ほとんどの量子モデルは古典的なモデルと一致したが、どのモデルよりも常に優れていた。
• 参考スコア（独自算出の注目度）: 3.2992111575525205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resting-state functional connectivity is widely used in machine learning-based classification of neuropsychiatric disorders. Quantum machine learning models have been proposed for functional connectivity data, but few studies have evaluated them under leave-site-out validation or against matched classical models. We compared six quantum model families with classical ones using identical correlation-derived features across four public cohorts (4,308 subjects). Leave-site-out validation was used for the Autism Brain Imaging Data Exchange (ABIDE I), ADHD-200 (attention-deficit/hyperactivity disorder), and REST-meta-MDD (major depressive disorder) cohorts, while the UCLA Consortium for Neuropsychiatric Phenomics (UCLA-CNP) was evaluated using stratified 10-fold cross-validation. The quantum kernel was statistically indistinguishable from a matched classical kernel across all four cohorts, with the average accuracy difference within 1.4 percentage points at 95% confidence. On ABIDE I, a hybrid quantum convolutional network achieved similar accuracy to its classical counterpart (0.645 vs. 0.641), while a trainable quantum kernel exceeded its classical counterpart by 0.064 in area under the curve (AUC). Quantum convolutional networks also achieved higher AUC than their matched classical networks on this cohort and showed smaller train-test gaps on all four cohorts, without an accuracy gain. Overall, most quantum models matched their classical counterparts, but none consistently outperformed them. This study, among the first quantum evaluations of ABIDE I under leave-site-out validation, provides a feature-matched benchmark of quantum and classical models comprising 284 matched comparisons. We further analyse fidelity-based graph construction and account for the observed quantum-classical parity through effective-dimension and eigenspectrum analyses.
• Abstract（参考訳）: 安静状態機能接続は、機械学習に基づく神経精神疾患の分類に広く用いられている。 機能接続データに対して量子機械学習モデルが提案されているが,従来のモデルとの整合性や残留位置検証で評価する研究は少ない。 我々は,4つの公的なコホート(4,308件の被験者)で同一の相関関係を持つ特徴を用いて,6つの量子モデル群を古典的モデル群と比較した。 自閉症脳画像データ交換(ABIDE I)、ADHD-200(注意欠陥・高活動障害)、REST-meta-MDD(大うつ病)のコホートに、UCLAコンソーシアム(UCLA-CNP)は10倍のクロスバリデーションを用いて評価した。 量子カーネルは、4つのコホート全てに一致する古典的カーネルとは統計的に区別できず、平均精度差は95%の信頼性で1.4ポイント以内であった。 ABIDE Iでは、ハイブリッド量子畳み込みネットワークは古典的(0.645対0.641)と類似の精度を達成し、トレーニング可能な量子カーネルは曲線(AUC)の下の領域で古典的(英語版)を0.064以上上回った。 量子畳み込みネットワークは、このコホート上でマッチした古典的ネットワークよりも高いAUCを実現し、4つのコホートで精度を向上することなく、より小さなテストギャップを示した。 全体として、ほとんどの量子モデルは古典的なモデルと一致したが、どのモデルよりも常に優れていた。 この研究は、ABIDE Iの残留位置検証における最初の量子評価のうち、284個のマッチングされた比較結果からなる量子モデルと古典モデルの特徴整合ベンチマークを提供する。 さらに、忠実度に基づくグラフの構成を分析し、実効次元および固有スペクトル分析により観測された量子古典パリティを説明する。

関連論文リスト

• Comparative Study of Quantum and Classical Machine Learning Models in Binary Classification [0.0]
  量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと古典的な機械学習を併用して、計算効率を向上させることを目的としている。 本稿では,変分量子カーネル(VQC)と量子支援ベクトルマシン(QSVM)の2つの異なる量子分類器を,古典的分類器をベースラインとして比較する。 量子回路はPennyLaneフレームワークで作られ、古典的なバックエンド上でシミュレートされた。
  論文  参考訳（メタデータ） (2026-09-20T09:01:47Z)
• 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)
• Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
  本稿では、BreastMNISTデータセットのバイナリ分類のために設計されたハイブリッド量子古典畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。 この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
  論文  参考訳（メタデータ） (2025-11-29T17:47:14Z)
• HQCNN: A Hybrid Quantum-Classical Neural Network for Medical Image Classification [0.0]
  本稿では,二進分類と多進分類のための新しいハイブリッド量子古典ニューラルネットワーク(HQCNN)を提案する。 HQCNNのアーキテクチャは、5層の古典的畳み込みバックボーンと4ビットの変動量子回路を統合している。 このモデルを6つのMedMNIST v2ベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2025-09-16T08:02:53Z)
• KACQ-DCNN: Uncertainty-Aware Interpretable Kolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network for Heart Disease Detection [1.927711700724334]
  心不全は世界的な死亡の原因であり、診断戦略の改善が必要である。 我々はKolmogorov-Arnold Classical-Quantum Dual-Channel Neural Network (KACQ-DCNN)を提案する。 私たちのモデルは、古典的および12の量子ニューラルネットワークを含む37のベンチマークモデルより優れています。
  論文  参考訳（メタデータ） (2024-10-09T21:26:49Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)

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。