論文の概要: Sleep-Disordered Breathing Detection with Quantum Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2611.04818v1
• Date: Tue, 03 Nov 2026 12:47:04 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:32:39.260787
• Title: Sleep-Disordered Breathing Detection with Quantum Recurrent Neural Networks
• Title（参考訳）: 量子リカレントニューラルネットワークによる睡眠時呼吸検出
• Abstract要約: 本研究は、時系列データにおける睡眠時無呼吸事象のバイナリ分類への量子リカレントニューラルネットワークの適用について検討する。 従来のリカレントニューラルネットワークモデルに対して,変動型古典量子アーキテクチャを提案し,評価した。
• 参考スコア（独自算出の注目度）: 38.15524887793207
• License:
• Abstract: This work investigates the application of Quantum Recurrent Neural Networks to the binary classification of sleep-disordered breathing events in time-series data, aiming to distinguish between apneic and normal breathing episodes. A variational classical--quantum architecture is proposed and evaluated against classical Recurrent Neural Network models. Experiments were conducted on multiple real-world datasets with varying levels of complexity to assess the strengths and limitations of the quantum approach. In the comparative analysis, both classical and quantum models showed comparable performance. The quantum model achieved superior performance on the smallest dataset, while yielding slightly weaker results in the most complex setting. However, the quantum approach exhibited notable strengths, such as competitive performance despite a drastically reduced parameter count and low-qubit regime, as well as good generalization capabilities. These results suggest that, despite current hardware and algorithmic limitations, variational quantum recurrent models represent a promising alternative for time-series classification as Quantum Computing technologies continue to mature.
• Abstract（参考訳）: 本研究は,無呼吸と正常呼吸の区別を目的とした,時系列データにおける睡眠時無呼吸事象のバイナリ分類への量子リカレントニューラルネットワークの適用について検討する。 従来のリカレントニューラルネットワークモデルに対して,変動型古典量子アーキテクチャを提案し,評価した。 量子アプローチの強度と限界を評価するために、さまざまなレベルの複雑さを持つ複数の実世界のデータセットで実験を行った。 比較分析では、古典モデルと量子モデルの両方が同等の性能を示した。 量子モデルは最小のデータセットでは優れた性能を達成し、一方最も複雑な設定ではわずかに弱い結果が得られる。 しかし、量子的アプローチは、パラメータ数と低量子状態が大幅に減少しているにもかかわらず、競争性能や優れた一般化能力などの顕著な強みを示した。 これらの結果は、現在のハードウェアとアルゴリズムの制限にもかかわらず、量子コンピューティング技術が成熟し続けるにつれて、変動量子リカレントモデルが時系列分類の有望な代替となることを示唆している。

関連論文リスト

• Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
  トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。 本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
  論文  参考訳（メタデータ） (2026-08-11T04:22:42Z)
• Do emulated quantum circuits change what CNNs look at? Performance and explainability comparison in medical image classification [0.879504058268139]
  本研究では, 量子回路の小型化が複雑モデルにおいて有意義な役割を果たすかどうかを考察する。 本稿では、パラメータマッチング型古典畳み込みニューラルネットワーク(CNN)と比較して、ハイブリッド量子インスパイアされた畳み込みニューラルネットワーク(HQiCNN)の有効性に関する体系的研究を行う。 HQiCNNは中間データレシエーションで最大のゲインを達成し、CNNは両方のデータセットで最大のトレーニングセットで最高のアキュラティに達する。
  論文  参考訳（メタデータ） (2026-07-23T11:15:35Z)
• A Comprehensive Analysis of Accuracy and Robustness in Quantum Neural Networks [0.0]
  量子機械学習(QML)は、最近、非常に有望な研究フロンティアとして登場した。 本研究は、一般化、精度、堅牢性の臨界次元に焦点を当てる。
  論文  参考訳（メタデータ） (2026-04-28T20:53:23Z)
• Quantum-Enhanced Generative Adversarial Networks: Comparative Analysis of Classical and Hybrid Quantum-Classical Generative Adversarial Networks [0.0]
  高忠実度データサンプルを作成するための強力なパラダイムとして、GAN(Generative Adversarial Network)が登場した。 本研究では、パラメータ化量子回路を用いて実装された量子発生器が古典的判別器の潜在ベクトルを生成するハイブリッド量子古典型GAN(HQCGAN)について検討する。 我々は,Qiskit の AerSimulator を用いて,3,5,7量子ビットのHQCGAN 変種とともに古典的 GAN を評価する。
  論文  参考訳（メタデータ） (2025-08-10T18:34:53Z)
• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Empirical Sample Complexity of Neural Network Mixed State Reconstruction [0.0]
  混合状態に対する異なる量子状態再構成技術の性能を数値的に検討する。 本稿では,分散低減手法を適用して,アルゴリズムの量子リソース要求を体系的に低減する方法を示す。
  論文  参考訳（メタデータ） (2023-07-04T17:42:43Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)

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。