論文の概要: HyQ-LC: Improving Light-Curve Classification with Hybrid Quantum--Classical Learning

• arxiv url: http://arxiv.org/abs/2610.26052v1
• Date: Mon, 19 Oct 2026 09:16:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:32:17.214644
• Title: HyQ-LC: Improving Light-Curve Classification with Hybrid Quantum--Classical Learning
• Title（参考訳）: HyQ-LC:ハイブリッド量子古典学習による光回路分類の改善
• Abstract要約: 359個の手作り特徴と633,034個のトレーニングオブジェクトを用いた10級星状光曲線分類のためのHyQ-LCを提案する。 メインモデルは、ウィンドウ多層パーセプトロン(MLP)バックボーンと振幅エンコーディングと角度再アップロードを用いた9キュービットの読み出しを組み合わせたものである。 共有された20,000オブジェクトのテストセットでは、マクロ平均のF1ポイントゲインが0.8276と1.2393のパーセンテージを持つ。
• 参考スコア（独自算出の注目度）: 3.1744658275045103
• License:
• Abstract: Light curves reveal stellar variability and support studies of stellar evolution and cosmic distances. Reliable classification is therefore important for large time-domain surveys. We present HyQ-LC for ten-class stellar light-curve classification using 359 handcrafted features and 633,034 training objects. The main model combines a window multilayer perceptron (MLP) backbone with a nine-qubit readout using amplitude encoding and angle re-uploading. Both this hybrid and its pure-MLP control have 44,238 parameters. On a shared 20,000-object test set, the hybrid has macro-averaged F1 (Macro-F1) point gains of 0.8276 and 1.2393 percentage points over the pure MLP on two fine-tuning seeds. A separate fixed-fusion configuration achieves slightly higher Macro-F1 but lower accuracy than approximately budget-matched LightGBM. Its positive class-level differences are concentrated in CEP, RRC, and ROT, while the full-budget LightGBM reference scores higher on both metrics. All circuits are simulated classically. The comparisons retain existing validation-selected checkpoints and use the same test objects, with features, predictions, and recomputation code publicly available. The results identify point-estimate improvements over the tested controls while leaving the specific contribution of the quantum branch unresolved.
• Abstract（参考訳）: 光曲線は恒星の変動性を明らかにし、恒星の進化と宇宙距離の研究を支援する。 そのため、大規模な時間領域調査では信頼性の高い分類が重要である。 359個の手作り特徴と633,034個のトレーニングオブジェクトを用いた10級星状光曲線分類のためのHyQ-LCを提案する。 メインモデルは、ウィンドウ多層パーセプトロン(MLP)バックボーンと振幅エンコーディングと角度再アップロードを用いた9キュービットの読み出しを組み合わせたものである。 このハイブリッドと純粋なMLP制御の両方に44,238のパラメータがある。 共有された20,000オブジェクトテストセットでは、マクロ平均F1(マクロ-F1)ポイントゲインが2つの微調整種子上で純粋なMLPよりも0.8276と1.2393ポイント上昇する。 分離された固定融合構成により、マクロF1はわずかに高いが、ほぼ予算が整ったLightGBMよりも精度が低い。 その正のクラスレベルの差はCEP、RC、ROTに集中しているが、フル予算のLightGBM参照スコアは両方のメトリクスで高い。 全ての回路は古典的にシミュレートされる。 比較は、既存のバリデーション選択されたチェックポイントを保持し、機能、予測、再計算コードを公開して、同じテストオブジェクトを使用する。 その結果、量子分岐の特定の寄与を未解決のまま残しながら、テストされた制御に対する点推定的改善を確認した。

関連論文リスト

• scHFBiMamba: a bidirectional Mamba autoencoder for cardiac disease-state classification from single-nucleus RNA-seq data [0.9176056742068811]
  scHFBiMambaは、正確なマルチタスク予測と仮説生成遺伝子レベルでの解釈を可能にする。 BiMambaAEは16,545個の遺伝子プロファイルを13.2Mパラメータを使って350次元の潜在表現にマッピングする。
  論文  参考訳（メタデータ） (2026-10-10T18:47:11Z)
• A Width-Matched Comparison of Hybrid Quantum-Classical Self-Supervised Learning for Fingerprint Recognition [0.0]
  自己教師付き学習(SSL)は、大きなラベル付き学習セットの必要性を取り除く。 ハイブリッド量子古典モデルが学習した表現を豊かにすることを示す。 得られた利得が量子回路に帰属するかどうかを検討する。
  論文  参考訳（メタデータ） (2026-09-30T07:31:42Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• Beyond Point Estimates: Benchmarking Uncertainty Quantification Methods on the AION-1 Astronomical Foundation Model [47.71489969727656]
  Conformalized Quantile Regression (CQR)は、最も貧弱なモデル予測で、ビン内で最高のカバレッジを提供する。 局所的妥当性判別(Locally Valid and Discriminative, LVD)フレームワークのみが、有限サンプルの局所的妥当性を提供する。
  論文  参考訳（メタデータ） (2026-06-05T18:29:19Z)
• Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings [5.903606299014097]
  MIMIC-C胸部X線写真における2次保険分類におけるノイズレスシミュレーションによる量子優位性の証拠を提供する。 両分類器が同一の機能を持つ2層公正比較フレームワークを提案する。 固有解析により、量子核有効ランクは q = 11 で 69.80 に達する。
  論文  参考訳（メタデータ） (2026-04-27T15:21:53Z)
• The Sim-to-Real Gap in MRS Quantification: A Systematic Deep Learning Validation for GABA [0.0]
  GABAなどの低濃度代謝物の定量化は,低信号-雑音比 (SNR) とスペクトル重なりが原因で困難である。 我々は,MEGA-PRESSスペクトルからの重なり合う複雑な低SNR信号の深層学習について検討し,検証を行った。 我々は,スライスに注目するMEGA-pressシミュレーションから,1万個のシミュレーションスペクトルに対するベイズ最適化による最良のモデルを選択する。
  論文  参考訳（メタデータ） (2026-02-23T19:16:03Z)
• MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
  点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
  論文  参考訳（メタデータ） (2026-01-03T14:58:52Z)
• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• Automated Multi-level Preference for MLLMs [41.72392895643214]
  「現在のマルチモーダル大言語モデル(MLLM)は幻覚に苦しむ」 有望な道の1つは、人間からのフィードバック(RLHF)からの強化学習を利用することである。 二項選好(上等、下等)の一般的な実践を再考し、多水準選好を採用する方が2つの利点があることを示す。
  論文  参考訳（メタデータ） (2024-05-18T03:49:37Z)
• Mixing and Shifting: Exploiting Global and Local Dependencies in Vision MLPs [84.3235981545673]
  Token-mixing Multi-layer Perceptron (MLP) モデルはコンピュータビジョンタスクにおいて競合性能を示す。 本研究では,空間シフトの量に関して,局所受容場のサイズを増大させるMix-Shift-MLPを提案する。 MS-MLPは、複数のビジョンベンチマークで競合性能を達成する。
  論文  参考訳（メタデータ） (2022-02-14T06:53:48Z)

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。