面向多模态人脸防欺骗的资源对齐混合量子-经典框架
量子物理
2026-03-31 v1
摘要
将高维数据嵌入资源受限的量子设备是实际量子机器学习面临的重大挑战。在多模态人脸防欺骗任务中，虽然主成分分析等线性压缩方法可降低维度以适配有限的量子预算，但这些方法往往因丢失结构信息而导致关键的高阶跨模态关联信息的损失。为此，本文提出了一种基于矩阵产品态（MPS）—变分量子电路（VQC）的混合框架，其中MPS作为结构化、可微分的预量子压缩与融合模块，VQC则作为量子分类器。该MPS模块基于由虚拟键维度控制的低秩结构，并集成可配置的非线性增强机制，显式建模跨模态的长程关联，同时将多模态数据压缩为符合量子预算的紧凑表征，并在极端压缩下提升数值稳定性。在CASIA-SURF基准上的实验表明，MPS-VQC的准确率不输于强大的经典神经网络基线，且参数数量不足0.25M，凸显了在紧张资源预算下张量网络表示对高维多模态数据的参数效率优势。凭借MPS结构与量子电路拓扑的内在兼容性，该框架不仅为在NISQ设备上高效实现多模态防欺骗提供了可行的技术路径，也为未来向完全量子实现此类任务铺平了道路。
引用
@article{arxiv.2603.27852,
title = {A Resource-Aligned Hybrid Quantum-Classical Framework for Multimodal Face Anti-Spoofing},
author = {Wanqi Sun and Jungang Xu and Chenghua Duan},
journal= {arXiv preprint arXiv:2603.27852},
year = {2026}
}
备注
Under review at Quantum Information Processing