論文の概要: Quantum machine learning geospatial time-series by seasonal encoding

• arxiv url: http://arxiv.org/abs/2610.41649v1
• Date: Fri, 30 Oct 2026 12:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.700744
• Title: Quantum machine learning geospatial time-series by seasonal encoding
• Title（参考訳）: 季節符号化による地理空間時系列の量子機械学習
• Abstract要約: 回路の深さが増加するにつれて、時間構造がどれだけうまく表現されるかがデータ符号化によって決定されることを示す。 我々は,異なるブロッホ球座標における観測等級と季節位相を表す固定的・適応的な季節符号化を構築した。 理想的なシミュレーションでは、標準値ベースの符号化は、時間的相関、スペクトル構造、予測精度を保ちながら、奥行きとともに著しく劣化することがわかった。
• 参考スコア（独自算出の注目度）: 1.2396474483677118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum data reuploading models can increase the expressive capacity of variational quantum models, but do not necessarily improve predictive performance. In the present work, we investigate this behavior for seasonal time series forecasting and show that data encoding determines how well temporal structures are represented as circuit depth increases. We develop a fidelity-based quantum geometric description in which repeated encodings contribute to an effective input generator, so that reuploading depth changes the quantum geometry through which approximately recurrent inputs are distinguished. We construct fixed and adaptive seasonal encodings that represent observation magnitude and seasonal phase in distinct Bloch-sphere coordinates. We evaluate these encodings for monthly precipitation derived from ERA5-Land, a global reanalysis dataset, from a representative semi-arid, drought-prone tropical region in East Africa, using a 14-month lag window and reuploading depths $L$= 1-6. We find that in ideal simulations, standard value-based encodings degrade markedly with depth, whereas adaptive seasonal encodings preserve temporal correlation, spectral structure, and forecasting accuracy. Noisy simulations show that this encoding hierarchy persists at shallow and intermediate depths, while larger depths are limited by circuit noise and optimization difficulty. The seasonal quantum models remain competitive with established classical forecasting methods (ARIMA, random forests, and LSTMs). These results identify structure-aware quantum data encoding as a general strategy for building deeper quantum reuploading models.
• Abstract（参考訳）: 量子データ再アップロードモデルは変分量子モデルの表現能力を高めることができるが、必ずしも予測性能を向上するとは限らない。 本研究は, 季節時系列予測におけるこの挙動を考察し, 回路深度の増加に伴い, 時間構造がどれだけうまく表現されているかを示す。 我々は,繰り返し符号化が有効な入力生成に寄与する忠実度に基づく量子幾何学的記述を開発する。 我々は,異なるブロッホ球座標における観測等級と季節位相を表す固定的・適応的な季節符号化を構築した。 本研究では,東アフリカの代表的な半乾燥・干ばつ・熱帯地域から得られたERA5-Landから得られた月次降水量について,14ヶ月のラグウィンドウと再載荷深度$L$=1-6を用いて,月次降水量について評価した。 理想的なシミュレーションでは、標準値ベースの符号化は、時間的相関、スペクトル構造、予測精度を保ちながら、奥行きとともに著しく劣化することがわかった。 ノイズシミュレーションでは、この符号化階層は浅い深さと中間深さで持続するが、回路ノイズと最適化の難しさにより大きな深さは制限される。 季節量子モデルは、確立された古典的予測手法(ARIMA、ランダム森林、LSTM)と競合し続けている。 これらの結果は、より深い量子再ロードモデルを構築するための一般的な戦略として、構造を意識した量子データを符号化する。

関連論文リスト

• Hybrid Quantum-Classical Logistic Regression for Calibrated Classification of Pulsar Candidates [0.0]
  我々は、不均衡なHTRU-2データセット上でのハイブリッド量子-正則ロジスティック回帰を評価する。 我々は、角符号化、振幅符号化、データ再アップロードの3つの量子特徴符号化を使用する。 アングル符号化は、量子ロジスティック回帰変種の中で最強のパフォーマンスを与える。
  論文  参考訳（メタデータ） (2026-05-08T15:25:25Z)
• Learning Temporal Patterns in Financial Time Series: A Comparative Study of Quantum LSTM and Quantum Reservoir Computing [0.0]
  本研究は、金融時系列フォアキャスティングのための量子および古典的ハイブリッドアーキテクチャに焦点を当てる。 遅延埋め込みが予測精度と堅牢性にどのように影響するかを評価する。 我々は、従来のLSTMと貯水池計算に対して、メトリクスのような一般的なエラーを用いて量子モデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-05-04T14:37:31Z)
• Recurrent Quantum Feature Maps for Reservoir Computing [0.6299766708197881]
  我々は、固定量子回路を再利用して現在の入力と過去の出力から導出される古典的なフィードバック信号の両方を符号化する、リカレント量子特徴写像に基づく貯水池を導入する。 我々は,最近導入したCP特徴量マップを用いて,Mackey-Glass の時系列予測タスク上でモデルを評価し,従来のベースラインよりも平均二乗誤差が低いことを示す。
  論文  参考訳（メタデータ） (2026-04-03T21:33:10Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• Augmented Invertible Koopman Autoencoder for long-term time series forecasting [7.875955593012905]
  そこで我々は,Augmented Invertible Koopman AutoEncoder (AIKAE) を神経オートエンコーダに基づく新しい実装として提案する。 本稿では,衛星画像時系列の長期時系列予測実験によるAIKAEの関連性を示すとともに,大局的な見返り窓に基づく予測を含むベンチマークを行った。
  論文  参考訳（メタデータ） (2025-03-17T08:40:50Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Interpretable Spectral Variational AutoEncoder (ISVAE) for time series clustering [48.0650332513417]
  可変オートエンコーダ(VAE)の出力にフィルタバンク(FB)の解釈可能なボトルネックを組み込んだ新しいモデルを導入する。 このアレンジメントは、入力信号の最も情報性の高いセグメントに参加するためにVAEを補完する。 VAEをこのFBに故意に拘束することにより、識別可能で分離可能で次元が縮小した符号化の開発を促進する。
  論文  参考訳（メタデータ） (2023-10-18T13:06:05Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
  本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
  論文  参考訳（メタデータ） (2022-07-16T04:05:15Z)

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。