经典与量子机器学习用于人群层面的热相关生理事件预测
量子物理
2026-04-20 v1
摘要
在人群层面预测热相关生理事件具有挑战性，这是由于气候、人口统计和社会经济因素之间复杂相互作用，以及观察数据呈现强稀疏性和季节性所致。本文我们提出了一个统一的预测框架，将异构环境和公共卫生数据集整合，并在同一管道中评估两种学习范例：经典机器学习和量子机器学习。该方法结合了数据整合、时间聚合、特征工程和降维，以构建一个每周的县级人群数据集。在这一统一表示上，我们训练了一个经典回归基线和一个基于参数化量子电路、采用角嵌入和数据重上传的变分量子模型。在来自美国和加泰罗尼亚的数据集上进行实验评估显示，经典模型在预测准确度方面目前取得了更高的成绩，尤其是在类别不平衡和稀疏目标条件下。然而，量子模型在多个情景下 demonstrate 了非平凡的学习能力，捕捉到了有意义的预测结构。这些结果为人群层面的生理预测提供了经典与量子学习方法的实证比较，为量子硬件持续演进时未来混合健康建模的方法学基础。
引用
@article{arxiv.2604.15382,
title = {Classical and Quantum Machine Learning for Population-Level Prediction of Heat-Related Physiological Events},
author = {Saul Gonzalez-Bermejo and Tommaso Albrigi and Borja Vazquez-Morado and Urko Regueiro-Ramos and Daniel Casado-Faulı and Sergi Consul-Pacareu and Parfait Atchade-Adelomou},
journal= {arXiv preprint arXiv:2604.15382},
year = {2026}
}
备注
9 pages 1 figure