Hybrid quantum ResNet for car classification and its hyperparameter optimization

要約

画像認識は、機械学習アルゴリズムの主要なアプリケーションの 1 つです。
それにもかかわらず、最新の画像認識システムで使用される機械学習モデルは、通常、調整にかなりの計算時間を必要とする数百万のパラメーターで構成されています。
さらに、モデルのハイパーパラメータを調整すると、追加のオーバーヘッドが発生します。
このため、機械学習モデルとハイパーパラメータ最適化技術の新たな開発が必要です。
この論文では、量子にインスピレーションを得たハイパーパラメータ最適化手法と、教師あり学習のためのハイブリッド量子古典機械学習モデルを紹介します。
標準的なブラックボックス目的関数に対してハイパーパラメータ最適化手法のベンチマークを行い、検索空間のサイズの増大に応じて、予想実行時間の短縮と適合性という形でパフォーマンスの向上が観察されました。
車の画像分類タスクでアプローチをテストし、テンソル トレインのハイパーパラメーター最適化を備えたハイブリッド量子 ResNet モデルの本格的な実装を実証します。
私たちのテストは、ディープ ニューラル ネットワーク ResNet34 で使用される、対応する標準的な古典的な表形式グリッド検索アプローチよりも定性的および定量的な利点を示しています。
ハイブリッド モデルでは 18 回の反復後に 0.97 の分類精度が得られましたが、古典的なモデルでは 75 回の反復後に 0.92 の精度が達成されました。

要約(オリジナル)

Image recognition is one of the primary applications of machine learning algorithms. Nevertheless, machine learning models used in modern image recognition systems consist of millions of parameters that usually require significant computational time to be adjusted. Moreover, adjustment of model hyperparameters leads to additional overhead. Because of this, new developments in machine learning models and hyperparameter optimization techniques are required. This paper presents a quantum-inspired hyperparameter optimization technique and a hybrid quantum-classical machine learning model for supervised learning. We benchmark our hyperparameter optimization method over standard black-box objective functions and observe performance improvements in the form of reduced expected run times and fitness in response to the growth in the size of the search space. We test our approaches in a car image classification task and demonstrate a full-scale implementation of the hybrid quantum ResNet model with the tensor train hyperparameter optimization. Our tests show a qualitative and quantitative advantage over the corresponding standard classical tabular grid search approach used with a deep neural network ResNet34. A classification accuracy of 0.97 was obtained by the hybrid model after 18 iterations, whereas the classical model achieved an accuracy of 0.92 after 75 iterations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google