中文

肿瘤学数据上量子与经典机器学习模型的基准测试

量子物理 2026-08-11 v1
作者: Sydney Leither , Thomas Lubinski , Michael Kubal , Sonika Johri
在 arXiv 上查看 ↗ PDF ↗

摘要

机器学习正日益广泛地应用于癌症的检测、诊断与治疗。然而，由于高维度、有限的样本多样性以及复杂的特征交互，模型在处理生物数据时常常面临困难。近期的研究探讨了量子机器学习模型在此类复杂数据上表现出优于经典模型性能的潜力，但往往缺乏对量子优势的严格实证评估。在本工作中，我们基于 Red Cedar 量子机器学习与资源估计框架以及 AutoML 优化的经典神经网络，开发了一套公平基准测试量子与经典机器学习模型的方法。我们评估了在表格型、组学以及空间肿瘤学数据集（取自现有量子机器学习文献）上，采用一系列预处理方法时机器学习中量子优势的潜力，未发现量子优势的证据。我们的结果表明，该领域应优先分析更高维、更具生物学现实性的数据集，以在肿瘤学分类问题中向实用化量子优势取得实质性进展。

关键词

量子机器学习 经典机器学习 量子优势 肿瘤学数据 基准测试 AutoML

引用

@article{arxiv.2608.11373,
  title  = {Benchmarking Quantum and Classical Machine Learning Models on Oncological Data},
  author = {Sydney Leither and Thomas Lubinski and Michael Kubal and Sonika Johri},
  journal= {arXiv preprint arXiv:2608.11373},
  year   = {2026}
}