論文の概要: Matched but Not Better: An Equivalence-Tested Benchmark of Quantum Machine Learning on Six Clinical Datasets and the QML-Health-READY Reporting Framework
- arxiv url: http://arxiv.org/abs/2611.05442v1
- Date: Tue, 03 Nov 2026 15:01:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.807594
- Title: Matched but Not Better: An Equivalence-Tested Benchmark of Quantum Machine Learning on Six Clinical Datasets and the QML-Health-READY Reporting Framework
- Title（参考訳）: Matched but not Better: A Equivalence-Tested Benchmark of Quantum Machine Learning on Six Clinical Datasets and the QML-Health-READY Reporting Framework
- Abstract要約: 量子カーネルサポートベクトルマシン(QSVM)と5つの古典モデルを比較する。
8ドメインレポートフレームワークであるQML-Health-READYを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Quantum machine learning (QML) is promoted for clinical prediction, but comparisons with classical models are rarely paired or tested for equivalence. Methods: We compared a quantum-kernel support vector machine (QSVM; 4 qubits, tuned bandwidth) and a variational quantum classifier (VQC) with five tuned classical models across six public clinical datasets. All models used identical four-component inputs and 25 cross-validation splits. Paired AUROC differences were assessed using a corrected resampled t-test, Holm-adjusted equivalence tests (margins: +/-0.02 and +/-0.05), and random-effects pooling. Ablation, noise, finite-shot, and implementation-fault analyses were conducted. We propose QML-Health-READY, an eight-domain reporting framework. Results: Neither quantum model significantly outperformed any classical comparator. Pooled across datasets, QSVM differed from the kernel-matched radial basis function (RBF) SVM by -0.006 AUROC (95% CI: -0.017 to +0.004), equivalent to +/-0.02. VQC differed from the best classical model by -0.007 (95% CI: -0.019 to +0.004). QSVM was equivalent to RBF SVM within +/-0.05 in four of six datasets but was significantly worse than the best classical model on NHANES 2017-18 (-0.076). A classically trivial product-state kernel performed as well as the entangling kernel. With depolarizing noise (p = 0.01) and 1,024 shots per kernel entry, QSVM AUROC decreased by 0.054 (95% CI: 0.036 to 0.071). Untuned bandwidth produced near-chance AUROC (0.48-0.59). Conclusions: Correctly configured quantum classifiers approached but did not exceed tuned classical models. Finite-shot estimation, rather than gate noise, was their main practical cost, while configuration errors could reverse conclusions. QML-Health-READY defines reporting requirements for credible claims.
- Abstract（参考訳）: 背景:QML(Quantum Machine Learning)は臨床予測のために推進されるが、古典的モデルとの比較は、同等性のためにペアやテストされることは稀である。
方法: 量子カーネルサポートベクターマシン (QSVM; 4 qubits, tuned bandwidth) と変分量子分類器 (VQC) を6つの公開臨床データセットで5つのチューニング古典モデルと比較した。
すべてのモデルは同一の4成分入力と25個のクロスバリデーションスプリットを使用していた。
Paired AUROC differences were evaluateed a corrected resampled t-test, Holm-adjusted equivalence test (margins: +/-0.02 and +/-0.05), and random-effects pooling。
アブレーション,ノイズ,有限ショット,実装・フォールト解析を行った。
8ドメインレポートフレームワークであるQML-Health-READYを提案する。
結果: どちらの量子モデルも古典的コンパレータを著しく上回らなかった。
データセット間でプールされたQSVMは、+/-0.02と同等の-0.006 AUROC (95% CI: -0.017 to +0.004) のカーネルマッチングラジアル基底関数(RBF)SVMとは異なる。
VQC は-0.007 (95% CI:-0.019 から +0.004) の古典モデルとは異なる。
QSVMは6つのデータセットのうち4つのうち、+/-0.05でRBF SVMと等価であったが、NHANES 2017-18(-0.076)の最高の古典モデルよりも大幅に劣っていた。
古典的には自明な製品状態のカーネルが、エンタングリングカーネルと同様に実行された。
分極ノイズ (p = 0.01) とカーネルエントリ毎の1,024ショットにより、QSVM AUROCは0.054 (95% CI: 0.036 - 0.071) 減少した。
未修正帯域幅はAUROC (0.48-0.59) に近い。
結論: 正しい構成の量子分類器が接近したが、チューニングされた古典モデルを超えなかった。
ゲートノイズではなく有限ショット推定が主な実用コストであり、構成誤差は結論を逆転させる可能性がある。
QML-Health-READYは、信頼できるクレームのレポート要件を定義している。
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) - Evaluating Quantum Kernel Methods for Track-Based Classification in High-Energy Physics [0.0]
本稿では,CLAS12ドリフトチャンバーを用いた大規模量子カーネル分類の設計について述べる。
各イベントは、完全に絡み合ったZZFeatureMapを介して6量子状態にエンコードされる。
論文 参考訳（メタデータ） (2026-08-27T16:35:30Z) - 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) - QBioFusion-QSAR: Morgan-Anchored Quantum Multiple Kernel Learning for Small-Data Ligand Classification [0.788073088949581]
QBioFusion-QSARは量子多重カーネル学習(QMKL)を用いる
54 kgの PsychLight-A ベンチマークでは、Morgan/Tanimoto が最強のシングル表現であった。
一致正則化監査の結果,N-Me-5-HTとN-Me-トリプタミンは偽陰性から真正の予測に変化した。
論文 参考訳（メタデータ） (2026-06-19T08:30:51Z) - Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。
すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。
ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文 参考訳（メタデータ） (2026-06-11T09:55:57Z) - From Theory to Decision Rule: Calibrating the Noisy-Label Crossover for Vision-Language Model Weak Supervision Across Three Medical-Imaging Benchmarks [41.99844472131922]
基礎モデル弱いラベルに対するベンチマークキャリブレーションを提供する。
理論によって予測される交差は、PCAMではng100、ISICでは20-50、NIH-CXRでは250-500である。
NIH-CXR上の構造付きvs-ランダムノイズ符号フリップは、境界のレートのみの定式化が不完全であることを示す。
論文 参考訳（メタデータ） (2026-05-23T23:15:07Z) - Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。
私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。
時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
論文 参考訳（メタデータ） (2026-05-07T13:04:09Z) - QCalEval: Benchmarking Vision-Language Models for Quantum Calibration Plot Understanding [37.18078731710843]
量子キャリブレーションプロットのための最初のVLMベンチマークであるQCalEvalを紹介する。
超伝導量子ビットと中性原子にまたがる22の実験系から87種類のシナリオタイプにまたがる243試料について検討した。
最高の汎用ゼロショットモデルは平均スコア72.3に達し、多くのオープンウェイトモデルはマルチイメージのインコンテキスト学習で劣化する。
論文 参考訳（メタデータ） (2026-04-28T17:28:33Z) - 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) - Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning [43.509065918669314]
連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。
高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
論文 参考訳（メタデータ） (2026-01-11T03:40:45Z) - Reliable Audio Deepfake Detection in Variable Conditions via Quantum-Kernel SVMs [0.0]
音響ディープフェイク検出において量子カーネルを用いることで,モデルサイズを増大させることなく偽陽性率を低減できることを示す。
量子カーネルSVMと従来のSVMを同一のメル-スペクトログラム前処理を用いて比較する。
QSVMは、ASVspoof 5(2024年)で0.183対0.299、ADD23で0.081対0.188、ASVspoof 2019で0.346対0.399、In-the-Wildで0.355対0.413である。
論文 参考訳（メタデータ） (2025-12-21T16:31:05Z)
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。