論文の概要: A Quantum Machine Learning Approach to Content-Based Media Recommendation
- arxiv url: http://arxiv.org/abs/2610.21562v1
- Date: Thu, 15 Oct 2026 09:18:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.302548
- Title: A Quantum Machine Learning Approach to Content-Based Media Recommendation
- Title（参考訳）: コンテンツに基づくメディアレコメンデーションへの量子機械学習アプローチ
- Abstract要約: 我々は、量子機械学習技術を用いて、コンテンツベースのメディアレコメンデーションシステムを開発し、その性能をテレビ番組で評価する。
同じデータセットと目的に基づいてトレーニングされた古典的BiLSTMベースラインに対して、量子レコメンデータをベンチマークする。
本稿では,QuantinuumのSystem Model H2上に回路を配置することで,トレーニング済みモデルを量子ハードウェア上で実行可能であることを示す。
- 参考スコア（独自算出の注目度）: 34.19193393832847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We use quantum machine learning techniques to develop a content-based media recommender system and evaluate its performance on TV programmes using textual descriptions from one week of BBC iPlayer data. Grounded in the Quantum Natural Language Processing framework (QNLP), programme synopses are mapped to variational quantum circuits using their semantic structure. The parameters of these circuits are trained via a supervised pairwise similarity learning task. We benchmark the quantum recommender against a classical BiLSTM baseline trained on the same dataset and objective. While both models achieve comparable performance on the similarity learning task, the quantum model requires significantly fewer parameters (47k vs. 17.8M). When the BiLSTM is constrained to a matching parameter budget, its performance degrades substantially (by 3.63 percentage points in Mean Average Precision (MAP)), indicating that the structured quantum representation provides a highly parameter-efficient alternative in this setting. We demonstrate the feasibility of executing the trained models on quantum hardware by deploying the circuits on Quantinuum's System Model H2 (and accompanying emulator) using a SWAP-test-based protocol. The results confirm that the similarity signal is preserved under realistic, noisy conditions. Taken together, these findings highlight the potential of variational quantum circuits for recommendation tasks and represent a practical step toward their real-world deployment.
- Abstract（参考訳）: 我々は、量子機械学習技術を用いて、コンテンツベースのメディアレコメンデーションシステムを開発し、BBC iPlayerデータの1週間のテキスト記述を用いて、テレビ番組のパフォーマンスを評価する。
量子自然言語処理フレームワーク(Quantum Natural Language Processing framework, QNLP)で構築されたプログラムシナプスは、その意味構造を用いて変分量子回路にマッピングされる。
これらの回路のパラメータは、教師付きペアワイズ類似性学習タスクを介して訓練される。
同じデータセットと目的に基づいてトレーニングされた古典的BiLSTMベースラインに対して、量子レコメンデータをベンチマークする。
両方のモデルが類似性学習タスクで同等のパフォーマンスを達成する一方で、量子モデルはパラメータを著しく少なくする(47k vs. 17.8M)。
BiLSTMが一致するパラメータ予算に制約されている場合、その性能は実質的に低下し(平均平均精度(MAP)の3.63ポイント)、構造化された量子表現がこの設定において非常にパラメータ効率の良い代替手段を提供することを示す。
SWAP-test-based protocolを用いてQuantinuumのSystem Model H2(およびそれに付随するエミュレータ)上に回路を配置することにより、量子ハードウェア上でトレーニングされたモデルを実行する可能性を示す。
その結果、類似性信号は現実的でノイズの多い条件下で保存されていることが確認された。
これらの結果は、リコメンデーションタスクのための変分量子回路の可能性を強調し、現実の展開に向けた実践的なステップを示している。
関連論文リスト
- Benchmarking Modular Optimization Strategies for Parameterized Quantum Circuits [0.0]
パラメータ化量子回路の訓練には、限られた評価予算による最適化の進捗のバランスが必要である。
本稿では,古典的更新規則から量子探索方向推定を分離するモジュール型ベンチマークフレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-07T15:32:48Z) - Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification [2.417944170423441]
Quantum Transfer Learningは、短期的制約下でのビジュアル量子機械学習に有望なアプローチを提供する。
既存のQTL結果を比較するのは難しいのは、データセット、前処理、バックボーン設定、キュービット予算、回路設計、最適化の選択、レポートプロトコルが異なるためである。
本研究は,一貫したトランスファーラーニングパイプラインの下で,代表的QTL手法を評価するための,制御されたベンチマーク手法を提案する。
論文 参考訳（メタデータ） (2026-05-19T06:10:32Z) - HQTN-SER: Speech Emotion Recognition with Hybrid Quantum Tensor Networks [2.417944170423441]
現実の環境では、音声の感情認識は脆弱である。
量子機械学習は、コンパクトモジュールによる非線形相関モデリングを導入する代替手段を提供する。
本稿では、量子テンソルネットワーク接続がSERを小ビット環境下でどのようにサポートするかを検討するハイブリッド量子古典フレームワークHQTN-SERを提案する。
論文 参考訳（メタデータ） (2026-05-14T08:07:58Z) - Analog Quantum Feature Selection with Neutral-Atom Quantum Processors [31.458406135473805]
我々は、中性原子配列を用いたアナログ量子シミュレーションに基づく量子特徴選択(QFS)に対する量子ネイティブなアプローチを提案する。
このプロトコルは、アダルト所得、銀行マーケティング、テルコ・チャーンという3つのベンチマークバイナリ分類データセットのシミュレーションによって評価される。
2-5 つの特徴のコンパクトな部分集合では、アナログ QFS は平均 AUC スコアを 1.5-2.3% 改善し、特徴の数を 75-84% 削減した。
論文 参考訳（メタデータ） (2025-10-23T17:57:34Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - 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) - Bayesian Quantum Amplitude Estimation [46.03321798937855]
量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。
耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。
本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - Mapping quantum circuits to shallow-depth measurement patterns based on
graph states [0.0]
我々は,測定に基づく量子コンピューティングのためのハイブリッドシミュレーション手法を開発した。
完全可換作用素の群は完全並列、すなわち非適応的測定を用いて実装可能であることを示す。
量子テレポーテーションを用いることで、そのような回路を一定の量子深さで実装する方法について議論する。
論文 参考訳（メタデータ） (2023-11-27T19:00:00Z) - A performance characterization of quantum generative models [35.974070202997176]
量子生成モデリングに使用される量子回路を比較する。
2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。
確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
論文 参考訳（メタデータ） (2023-01-23T11:00:29Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - When BERT Meets Quantum Temporal Convolution Learning for Text
Classification in Heterogeneous Computing [75.75419308975746]
本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。
目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
論文 参考訳（メタデータ） (2022-02-17T09:55:21Z)
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。