拓展视野：面向长尾胸腔 X 光分类的混合量子迁移学习
计算与语言
2024-05-02 v1
摘要
量子机器学习（QML）因在样本效率和可泛化性方面相较于经典机器学习（CML）而具备理论量子优势，具有潜力提高大规模胸腔 X 光（CXR）数据集中稀有但至关重要疾病的多标签分类性能。尽管已有文献探索了 QML 与 CXRs 的结合，但仅聚焦于小数据集的二分类任务，受限于量子硬件可获取性和昂贵的仿真成本。为此，我们实现了一个基于 Jax 的框架，支持中等规模量子比特架构的仿真，在 wall-clock 时间上显著优于当前软件方案。我们在使用大规模 CXR 数据集进行 8、14 和 19 类别疾病标签的长尾分类中，评估了基于 Jax 的框架的效率和性能。基于 Jax 的框架在 PyTorch 和 TensorFlow 实现中分别实现了最高 58% 和 95% 的加速。然而，与 CML 相比，QML 表现较慢，分别在 8、14 和 19 类别 CXR 疾病标签的分类中，平均 AUROC 为 0.70、0.73 和 0.74。相比之下，CML 模型的平均 AUROC 分别为 0.77、0.78 和 0.80。总之，本工作呈现了一个具有计算效率的基于 Jax 的混合量子迁移学习实现，适用于长尾 CXR 分类。
引用
@article{arxiv.2405.00155,
title = {HistNERo: Historical Named Entity Recognition for the Romanian Language},
author = {Andrei-Marius Avram and Andreea Iuga and George-Vlad Manolache and Vlad-Cristian Matei and Răzvan-Gabriel Micliuş and Vlad-Andrei Muntean and Manuel-Petru Sorlescu and Dragoş-Andrei Şerban and Adrian-Dinu Urse and Vasile Păiş and Dumitru-Clementin Cercel},
journal= {arXiv preprint arXiv:2405.00155},
year = {2024}
}
备注
Accepted at the International Conference on Document Analysis and Recognition (ICDAR 2024)