כתבה
arXiv cs.LG ·
בדיקת ביצועים גדולה של קונפיגורציות Quantum Neural Network
Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
מחקר זה מציג השוואה שיטתית של קונפיגורציות Quantum Neural Network (QNN) לחיזוי סדרות זמן פיננסיות. המחקר בוחן 1,368 קונפיגורציות שונות ומציג תוצאות מעניינות על השפעת הבחירה של שיטות על הביצועים. ה-QNN הטוב ביותר משיג ציון R^2 של 0.985, ועולה על בסיס ה-BiLSTM הקלאסי.
תקציר מקורי באנגליתarXiv:2610.12148v1 Announce Type: new Abstract: Quantum machine learning, and quantum neural networks (QNNs) in particular, are advancing fields with growing potential. Although systematic comparisons of QNN configurations have been explored primarily for classification tasks, comparatively little attention has been given to regression problems, particularly financial time series forecasting. This study presents a large-scale systematic comparative evaluation of QNN component configurations for financial time series forecasting, using the GBP/USD spot exchange rate as a case study. A grid search across encoding methods, ansatz designs, qubit counts, layer depths, and cost functions yields 1,368 distinct model configurations, each evaluated in terms of prediction accuracy, computational cos
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית