Filtering out mislabeled training instances using black-box optimization and quantum annealing
Rattachement africain : jp. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
This study proposes an approach for removing mislabeled instances from contaminated training datasets by combining surrogate model-based black-box optimization (BBO) with postprocessing and quantum annealing. Mislabeled training instances, a common issue in real-world datasets, often degrade model generalization, necessitating robust and efficient noise-removal strategies. The proposed method evaluates filtered training subsets based on validation loss, iteratively refines loss estimates through surrogate model-based BBO with postprocessing, and leverages quantum annealing to efficiently sample diverse training subsets with low validation error. Experiments on a noisy majority bit task demonstrate the method's ability to prioritize the removal of high-risk mislabeled instances. Integrating D-Wave's clique sampler running on a physical quantum annealer achieves faster optimization and higher-quality training subsets compared to OpenJij's simulated quantum annealing sampler or Neal's simulated annealing sampler, offering a scalable framework for enhancing dataset quality. This work highlights the effectiveness of the proposed method for supervised learning tasks, with future directions including its application to unsupervised learning, real-world datasets, and large-scale implementations.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Filtering out mislabeled training instances using black-box optimization and quantum annealing
- Date Crossref
- 29/10/2025
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Okinawa University pays non établi dans la noticeUniversité ou école supérieure
-
Tohoku University pays non établi dans la noticeUniversité ou école supérieure
-
Tokyo Institute of Technology pays non établi dans la noticeUniversité ou école supérieure
-
Tokyo Institute of Psychiatry pays non établi dans la noticeStructure de recherche
-
Kumamoto University Research and Education Institute for Semiconductors and Informatics pays non établi dans la noticeUniversité ou école supérieure
-
Graduate School of Information Sciences pays non établi dans la noticeUniversité ou école supérieure
-
LiLz Inc. pays non établi dans la noticeEntreprise
-
Ltd. Sigma-i Co. pays non établi dans la noticeEntreprise
-
Institute of Science Tokyo Department of Physics pays non établi dans la noticeStructure de recherche
Okinawa University, Tohoku University et Tokyo Institute of Technology, avec 6 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.