多类量子输出的有效性提升：横走于边缘

量子机器学习（QML）旨在利用量子计算机来增强机器学习，但由于量子噪声以及对期望值估计的统计限制，往往受限于所需的样本数量。虽然有努力减少量子噪声，但对提高变分量子分类器（VQC）离散输出质量的注意力较少，这有助于减少对 confident 预测所需的样本数量。本文聚焦于多类分类中的输出表示，提出了一种新的映射方案，将量子位测量映射到 n 维单边形的边上，表示每对类别之间的独立二元决策。我们描述了该映射方案并演示了它如何直接改善有效电路输出样本的数量以及这些输出的准确性，而相对于 one-hot 编码。我们还主张将 few-sample accuracy 作为有效 VQC 的首要目标。