論文の概要: Empirical Evaluation of Quantum Kernel Methods for Classification: A Comparative Study with Classical Kernels
- arxiv url: http://arxiv.org/abs/2610.42029v1
- Date: Fri, 30 Oct 2026 16:55:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.820657
- Title: Empirical Evaluation of Quantum Kernel Methods for Classification: A Comparative Study with Classical Kernels
- Title(参考訳): 量子カーネル法による分類の実証評価:古典的カーネルとの比較検討
- Abstract要約: チューニングされた量子カーネルは、4つの実データセットの全てのチューニングされたRBFと統計的に区別できないことを示す。
合成データのアドバンテージは,機能マップ自体が生成するデータにほぼ完全に制限されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum kernel methods are the most concrete near-term proposal for quantum machine learning on classical data, yet published benchmarks disagree on whether they outperform tuned classical kernels, and the disagreement cannot be resolved from the literature because the comparisons are not protocol-controlled. We argue that the obstacle is one of measurement, not theory: the usual setup fixes the quantum feature map's data scaling while grid-searching the classical kernel's hyperparameters, recomputes nothing per fold, and reports cost in simulator time. We therefore treat the comparison itself as the object of study and impose three controls. The bandwidth is tuned on the same grid budget as the classical $γ$, the kernel is recomputed inside every fold from fold-fitted preprocessing, and cost is counted in hardware circuit evaluations. On top of these we run a factorial design of 324 cells in which dimensionality, training size, class separability and data structure are explicit covariates, together with four standard datasets, a shots-versus-gate-noise ablation, and a cost sweep. The dominant effect we measure is not quantum: tuning the feature map's bandwidth is worth 0.120 accuracy on synthetic data and 0.339 on real data, exceeding every quantum-classical difference we observe. Tuned quantum kernels are then statistically indistinguishable from a tuned RBF on all four real datasets. The advantage on synthetic data is confined almost entirely to data generated by the feature map itself, and it shrinks with dimensionality (-0.0045 per qubit) while growing with sample size. Finite sampling costs an order of magnitude more accuracy than gate and readout noise, and a fidelity kernel needs $5\times10^{7}$ circuits at n = 10,000. Protocol variance is thus sufficient to explain the field's contradictory conclusions.
- Abstract(参考訳): 量子カーネル法は、古典的データに基づく量子機械学習において、最も具体的な短期的提案であるが、それらがチューニングされた古典的カーネルよりも優れているかどうかについては、ベンチマークで意見が一致しておらず、比較がプロトコル制御されていないため、文献から意見の相違は解決できない。
通常のセットアップでは、従来のカーネルのハイパーパラメータをグリッドで探索しながら、量子フィーチャーマップのデータスケーリングを修正し、折りたたみごとに何も計算せず、シミュレータの時間内にコストを報告します。
したがって、比較自体を研究対象として扱い、3つの制御を課す。
帯域幅は、従来の$γ$と同じグリッド予算で調整され、カーネルは折りたたみ前処理によって各折りたたみ線内で再計算され、ハードウェア回路評価ではコストがカウントされる。
これらに加えて、次元、トレーニングサイズ、クラス分離性、データ構造が明示的な共変量を持つ324セルの因子設計を行い、4つの標準データセット、ショットス・ヴァーサス・ゲート・ノイズレーション、コスト・スイープを実行する。
特徴写像の帯域幅の調整は、合成データでは0.120精度、実際のデータでは0.339精度であり、観測する量子-古典的差を超える。
チューニングされた量子カーネルは、4つの実際のデータセットの全てのチューニングされたRBFと統計的に区別できない。
合成データの利点は、ほぼ完全に特徴写像自身によって生成されたデータに限られており、サンプルサイズで成長しながら次元(キュービットあたり0.0045)で縮小する。
有限サンプリングはゲートとリードアウトノイズよりも桁違いに精度が高く、忠実カーネルはn = 10,000で5\times10^{7}$回路を必要とする。
したがって、プロトコルの分散は、フィールドの矛盾する結論を説明するのに十分である。
関連論文リスト
- The ZZ feature map induces a signless Laplacian metric: a closed-form classical surrogate for quantum kernel regression [0.0]
我々は、誘導核が小さい帯域幅の状態では、先行順に、計量 M = I + pi2 Q の異方性ガウス核であることを証明する。
対応する古典的カーネルは、適合パラメータを必要とせず、量子シミュレーションも必要としない。
論文 参考訳(メタデータ) (2026-08-29T19:59:00Z) - Quantum Kernel k-Means for Credit-Card Fraud Detection:A Controlled Benchmark on Real Transaction Data [0.0]
実取引データに対するクレジットカード不正検出のための古典的クラスタリングに対して、量子カーネル$k$-meansをベンチマークした。
差の兆候はレジスタサイズに依存し、すべての効果サイズは0.013ドル ARI 以下である。
論文 参考訳(メタデータ) (2026-08-16T12:41:10Z) - Quantum Kernels and the Cross-Section of Stock Returns: Anatomy of a Vanishing Advantage [0.0]
中国のAシェア市場では、量子忠実カーネル、投影された量子カーネル、古典的なRBF制御が同一のトレーニングサブサンプル、ソルバ、チューニング予算を共有しているため、カーネルのみを交換する。
ポイントインタイム宇宙と170個のウォーキングフォワードウインドウ(2012-2025)の主評価では、量子的優位性は存在しない。
フルサンプル情報で遮蔽された宇宙の60ウィンドウ評価では、同じ量子核が安定性基準に支配的であり、神経ベースラインよりも著しく優れているように見える。
論文 参考訳(メタデータ) (2026-07-22T14:04:12Z) - The Fourier Wall: Why Public Tabular Datasets Refuse Quantum Advantage, and a Certified Recipe for Where It Lives [0.0]
量子機械学習モデルは通常、注意深く調整された古典的なベースラインを失う。
シミュレーション不要な構造画面であるSPECTRAとして条件を運用する。
工業用スマートメーターデータでは、SPECTRAは実際のピーク負荷目標を正しく拒否し、勾配木は0.999のROC-AUCに達する。
論文 参考訳(メタデータ) (2026-07-17T10:24:57Z) - Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation [0.0]
量子カーネル法は、短期量子コンピュータを教師あり学習に活用するための有望なアプローチとして提案されている。
本稿では,9つのバイナリ分類データセット,4つの量子特徴写像,3つの古典的カーネル,複数のノイズモデルにまたがる量子カーネル支援ベクトルマシン(QSVM)の総合的研究について述べる。
我々の分析は4つのフェーズにまたがっている: (i) 統計的意義試験により、29対の量子古典比較のうち、0.05$; (ii) 学習曲線分析が6つのトレーニング分数に対して有意に到達しないことが判明した。
論文 参考訳(メタデータ) (2026-04-20T21:03:02Z) - Augmenting Simulated Noisy Quantum Data Collection by Orders of Magnitude Using Pre-Trajectory Sampling with Batched Execution [47.60253809426628]
提案手法は,誤差型を調整して軌道シミュレーションの効率化と有効性を高めることを目的としている。
私たちはそれぞれ100兆枚と100万枚という膨大なデータセットを生成します。
論文 参考訳(メタデータ) (2025-04-22T22:36:18Z) - Majorization-based benchmark of the complexity of quantum processors [105.54048699217668]
我々は、様々な量子プロセッサの動作を数値的にシミュレートし、特徴付ける。
我々は,各デバイスの性能をベンチマークラインと比較することにより,量子複雑性を同定し,評価する。
我々は、回路の出力状態が平均して高い純度である限り、偏化ベースのベンチマークが成り立つことを発見した。
論文 参考訳(メタデータ) (2023-04-10T23:01:10Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - 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) - Automatic and effective discovery of quantum kernels [41.61572387137452]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳(メタデータ) (2022-09-22T16:42:14Z)
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。