論文の概要: Unit-Aware Differentially Private Quantum Machine Learning for Clinical and Wearable Health Data

• arxiv url: http://arxiv.org/abs/2610.28968v1
• Date: Tue, 20 Oct 2026 22:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.155135
• Title: Unit-Aware Differentially Private Quantum Machine Learning for Clinical and Wearable Health Data
• Title（参考訳）: 臨床・ウェアラブル健康データのための単位認識型個人量子機械学習
• Abstract要約: 差分プライバシー(DP)は、トレーニング可能なパラメータの個数とともに、合計等級が大きくなるノイズを注入することで、この漏れを抑える。 これは量子機械学習(QML)を含むパラメータ効率の良いモデルを動機付けている。 キャパシティマッチングされた量子、多層パーセプトロン、ロジスティック回帰モデルを5つのプライバシ予算と5つのシードで比較する。
• 参考スコア（独自算出の注目度）: 0.30938904602244355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical registries and wearable sensors support early health-risk assessment, yet models trained on these records may leak sensitive information when released. Differential privacy (DP) bounds this leakage by injecting noise whose total magnitude grows with the number of trainable parameters, a cost especially severe for small health cohorts. This motivates parameter efficient models including quantum machine learning (QML), whose variational circuits can represent complex decision boundaries with few trainable parameters. It raises a question: at matched input dimensionality and privacy budget, does a quantum model retain more utility than a classical one? We investigate this question on three clinical cohorts and one wearable cohort, treating each clinical record or participant as a privacy unit. We compare capacity-matched quantum, multilayer perceptron, and logistic regression models across five privacy budgets and five seeds. The quantum model leads on three clinical cohorts by up to 0.104 ROC AUC averaged across budgets; however, trails on the wearable cohort, where the small number of participants requires substantial noise. No difference survives Holm correction across 24 tests, so these results indicate a trend rather than a quantum advantage. An analytic gradient bound shows that lower clipping thresholds can improve utility by reducing noise despite clipping bias. Finally, an experiment on IBM quantum computer (ibm_fez, a 156-qubit superconducting processor) using eight fixed test cases yields mean absolute probability errors of 0.046 (private) and 0.063 (non-private) relative to simulation, supporting the feasibility of inference on noisy intermediate-scale quantum (NISQ) hardware. Code is publicly available at https://github.com/TITANS-Lab-Artifacts/DP-QML-Health.
• Abstract（参考訳）: 臨床登録とウェアラブルセンサーは早期の健康リスク評価をサポートするが、これらの記録に基づいてトレーニングされたモデルは、リリース時に機密情報を漏洩させる可能性がある。 差分プライバシ(DP)は、トレーニング可能なパラメータの数を合計で増加させるノイズを注入することで、この漏洩を抑える。 これは、量子機械学習(QML)を含むパラメータ効率のよいモデルであり、変動回路は、トレーニング可能なパラメータがほとんどない複雑な決定境界を表現できる。 入力の次元とプライバシーの予算が一致した場合、量子モデルは古典的モデルよりも有用か? 本稿では,3つの臨床コホートと1つのウェアラブルコホートについて検討し,それぞれの臨床記録や参加者をプライバシ・ユニットとして扱う。 キャパシティマッチングされた量子、多層パーセプトロン、ロジスティック回帰モデルを5つのプライバシ予算と5つのシードで比較する。 量子モデルは3つの臨床コホートを平均0.104ROC AUCで導くが、少数の参加者がかなりのノイズを必要とするウェアラブルコホートを辿る。 24回の試験でホルム補正に差はないため、これらの結果は量子的優位性というよりも傾向を示している。 解析勾配境界は、クリッピングバイアスにもかかわらずノイズを低減することにより、クリッピング閾値の低下が実用性を向上させることを示している。 最後に、8つの固定テストケースを用いたIBM量子コンピュータ(ibm_fez, 156量子ビット超伝導プロセッサ)の実験では、シミュレーションと比較して0.046(プライベート)と0.063(非プライベート)の平均絶対確率誤差が得られ、ノイズの多い中間スケール量子(NISQ)ハードウェアでの推論の可能性をサポートする。 コードはhttps://github.com/TITANS-Lab-Artifacts/DP-QML-Healthで公開されている。

関連論文リスト

• QuPID: Quantum Parameter-Efficient Input-Dependent Retrieval Adaptation for Medical RAG [43.163742253145635]
  QuPIDは、量子パラメータ効率の入力依存型検索適応である。 凍結した画像の特徴を限られたデータでローカルアーカイブに適応させる。 凍った医療エンコーダよりも、ChestX-ray14とmuraでAT-5(P@5)の精度が高い。
  論文  参考訳（メタデータ） (2026-09-27T08:22:58Z)
• 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)
• Private training in quantum machine learning [1.8224668251608893]
  AIの安全性に関する大きな疑問は、トレーニングデータに関して、学習をプライベートにする方法だ。 古典的な機械学習と同様に、量子機械学習(QML)モデルはプライバシの脆弱性を欠いているわけではない。 差分プライバシー(DP)は、機密データ上でMLモデルをトレーニングするための標準ツールであるが、QMLへの影響はよく分かっていない。
  論文  参考訳（メタデータ） (2026-06-28T09:28:58Z)
• A Controlled Benchmark of Quantum-Latent GAN Augmentation for Brain MRI [0.0]
  本稿では,脳MRIへの量子ジェネレータの寄与を抽出するベンチマークを提案する。 拡張のバリエーションは、実データのみのトレーニングよりも大幅に優れています。 医用画像における量子生成増強の厳密な評価のためのテストベッドとして,本プロトコルを公開する。
  論文  参考訳（メタデータ） (2026-06-17T11:54:17Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• Validation tests of Gaussian boson samplers with photon-number resolving detectors [44.99833362998488]
  我々は位相空間シミュレーション法を適用し、光子数分解(PNR)検出器を実装したガウスボソンサンプリング(GBS)の最近の実験を部分的に検証する。 全体としては,完全スクイーズのための理論的予測と相違点が示される。 このような検証テストは,GBS実験を改善するためのフィードバック手法の基礎となる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-18T01:41:22Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Validation tests of GBS quantum computers give evidence for quantum advantage with a decoherent target [62.997667081978825]
  複数モードデータの検証に指紋としてグループカウント確率の正P位相空間シミュレーションを用いる。 偽データを解き放つ方法を示し、これを古典的なカウントアルゴリズムに適用する。
  論文  参考訳（メタデータ） (2022-11-07T12:00:45Z)
• Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
  量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。 量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。 これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
  論文  参考訳（メタデータ） (2020-03-20T17:56:14Z)

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。