論文の概要: When do quantum views help? Complementary classical-quantum representations in multi-view fusion
- arxiv url: http://arxiv.org/abs/2610.21395v1
- Date: Thu, 15 Oct 2026 07:15:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.245966
- Title: When do quantum views help? Complementary classical-quantum representations in multi-view fusion
- Title（参考訳）: 量子ビューはいつ役に立つのか? 多視点融合における相補的古典量子表現
- Abstract要約: 最近の研究では、薬物発見、医療、材料科学、サイバーセキュリティにおける量子機械学習の有望な成果が報告されている。
本稿では,古典的および量子的表現が相補的な予測関係を捉えることにより,融合が予測を改善することを提案する。
我々の古典量子多視点フレームワークは、シミュレートされた量子特徴とともに古典的な入力を完全に保存する。
- 参考スコア（独自算出の注目度）: 0.6932353421310916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent studies have reported promising results from quantum machine learning in drug discovery, healthcare, materials science and cybersecurity. Research includes comparisons with classical machine learning algorithms and the development of sequential hybrid pipelines. We propose that fusion can improve prediction when classical and quantum representations capture complementary predictive relationships. Our classical-quantum multi-view framework preserves the full classical input alongside simulated quantum features. Concatenation and attention combine the views; single-view comparisons, replacement and masking controls assess both views' contributions. Controlled angular-polynomial experiments distinguish targets adequately represented by a single view from those that depend on complementary angular and polynomial relationships. For these mixed targets, fusion improves prediction by combining the relevant feature sets, while matched classical representations recover the same benefit, linking the improvement to their complementary predictive content. Controlled classification tests further show that gains depend on alignment between the chosen representation and the target, and on a suitable fusion rule. Benchmark validation shows improved mean predictive performance over classical baselines on Wine, Wisconsin Diagnostic Breast Cancer, three-class Fashion-MNIST and Steel Plates Faults within the evaluated protocols. Classical replacement and masking controls remain competitive, classical baselines lead on Digits and Covertype, and outcomes with missing or corrupted views depend on the available inputs. These findings support evaluating quantum representations for their complementary predictive contribution and matching the representation and fusion strategy to the target relationships.
- Abstract（参考訳）: 最近の研究では、薬物発見、医療、材料科学、サイバーセキュリティにおける量子機械学習の有望な成果が報告されている。
研究には、古典的な機械学習アルゴリズムとの比較や、シーケンシャルなハイブリッドパイプラインの開発が含まれている。
本稿では,古典的および量子的表現が相補的な予測関係を捉えることにより,融合が予測を改善することを提案する。
我々の古典量子多視点フレームワークは、シミュレートされた量子特徴とともに古典的な入力を完全に保存する。
一つのビューの比較、置換とマスキングのコントロールは、両方のビューのコントリビューションを評価する。
制御された角-多項式実験は、相補的な角関係と多項式関係に依存するものから、単一のビューで適切に表現されたターゲットを区別する。
これらの混合ターゲットに対して、融合は関連する特徴セットを組み合わせることで予測を改善し、マッチした古典表現は同じ利益を回復し、改善を補完的な予測内容にリンクする。
制御された分類試験は、ゲインが選択された表現とターゲットのアライメント、および適切な融合規則に依存することを示す。
ベンチマーク検証では、評価プロトコル内のワイン、ウィスコンシン診断乳がん、ファシオン・MNISTおよびスチールプレート断層の古典的ベースラインに対する平均予測性能が改善された。
古典的なリプレースとマスキングコントロールは競争力があり、古典的なベースラインはDigitsとCovertypeに導かれる。
これらの知見は、相補的な予測貢献のための量子表現の評価と、その表現と融合戦略を対象関係に合わせることを支援する。
関連論文リスト
- Machine learning for sample-based quantum diagonalization: generative configuration recovery and the classical-simulability frontier [0.0]
我々は、生成的および学習的セレクタのエコシステムを概観し、1つの顕著なギャップを露呈する: テール発見のために構築された報酬-帰属的生成-フロー-ネットワークの提案者。
発表されている同活性空間の比較、強力な古典的選択CIマッチ、量子サンプリングサブスペースの打ち負かし、フラッグシップの単一層回路は、現在、古典的エネルギー推定を許容している。
私たちは量子実験から学び、古典的なサンプル複雑度の下限は無条件決定因子であり、量子優位性が証明可能であるがまだ化学に橋渡しされていない隣のフロンティアである。
論文 参考訳（メタデータ） (2026-08-05T18:15:19Z) - A Correlation Aware Quantum Feature Map for Variational Quantum Classification [0.0]
相関対応量子特徴マップ(CAQFM)は、機能依存を量子符号化プロセスに統合する。
提案手法はPearson, Spearman, Kendall Tau, Mutual Information, Distance correlation を用いて特徴間の関係を同定する。
その結果、相関に基づく量子符号化は従来の符号化方式に比べて分類性能が向上することを示した。
論文 参考訳（メタデータ） (2026-06-19T16:12:10Z) - Parameterized Quantum Circuits as Feature Maps: Representation Quality and Readout Effects in Multispectral Land-Cover Classification [0.0]
マルチスペクトル衛星画像からの土地被覆分類のための変分量子分類器(VQC)について検討する。
以上の結果から,線形読み出し付きVQCはRBF-SVMのような古典的ベースラインに勝るものの,同じ訓練された量子特徴写像は性能を著しく向上させることができることがわかった。
論文 参考訳（メタデータ） (2026-04-29T13:47:18Z) - How Embeddings Shape Graph Neural Networks: Classical vs Quantum-Oriented Node Representations [2.9583391652768314]
ノードの埋め込みはグラフニューラルネットワークの情報インターフェースとして機能するが、その影響はしばしば、ミスマッチしたバックボーン、分割、トレーニング予算の下で報告される。
本稿では,グラフ分類のための埋め込み選択の制御されたベンチマークを提供する。
我々は、回路定義の変分埋め込みと量子インスパイアされた埋め込みを含む、量子指向の代替品と並んで、2つの古典的ベースラインを評価する。
論文 参考訳（メタデータ） (2026-04-16T17:45:24Z) - 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) - Practical Quantum-Classical Feature Fusion for complex data Classification [0.0]
ハイブリッド量子と古典学習は、古典的ニューラルネットワークの堅牢性と量子特徴写像を結合することを目的としている。
本稿では,ハイブリッド学習のマルチモーダルな定式化について述べる。
本研究では, ワイン, 乳がん, 森林被覆タイプ, ファッションMNIST, スティールプランツフォールトについて, 量子オントモデル, 古典的ベースライン, 残留ハイブリッドモデル, 提案中核融合モデルを比較した。
論文 参考訳（メタデータ） (2025-12-22T09:16:08Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - 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) - Experimental violations of Leggett-Garg's inequalities on a quantum
computer [77.34726150561087]
単一および多ビット系におけるLeggett-Garg-Bellの不等式違反を実験的に観察する。
本分析では, 量子プラットフォームの限界に注目し, 上記の相関関数は, 量子ビットの数や回路深さが大きくなるにつれて, 理論的予測から逸脱することを示した。
論文 参考訳（メタデータ） (2021-09-06T14:35:15Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z) - Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。
提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。
視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文 参考訳（メタデータ） (2020-07-15T21:58:39Z)
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。