一种缓解量子卷积神经网络过拟合的训练后方法

量子卷积神经网络 (QCNN) 作为 NISQ 时代量子计算机的早期应用，已作为机器学习 (ML) 算法在多项任务中被持续证明具有显著精度。源自其经典对应物，QCNN 易于过拟合。过拟合是 ML 模型的一种典型缺陷，即模型与所提供的训练数据集拟合过紧，而在类似问题的未见数据集上表现相对较差。在本工作中，我们研究缓解 QCNN 过拟合的训练后方法。我们发现，将一种称为神经元丢弃 (neuron dropout) 的经典训练后方法直接适配到量子设置会导致显著且不期望的后果：QCNN 成功概率的大幅下降。我们认为该效应暴露了纠缠在 QCNN 中的关键作用以及 QCNN 对纠缠损失的脆弱性。因此，我们提出一种参数适配方法作为替代方法。我们的方法计算高效，并被发现能成功处理测试用例中的过拟合。