基于关联引导电路设计的领域感知混合量子学习用于犯罪模式分析
机器学习
2026-04-14 v2
摘要
犯罪模式分析对执法部门和预测警务至关重要，但城市化快速发展导致的犯罪活动激增创建了高维、不平衡的数据集，这对传统分类方法构成挑战。本研究提出了一种用于犯罪分析的量子-经典比较框架，评估四种计算范式：量子模型、经典基线机器学习模型以及两种混合量子-经典架构。使用 16 年的犯罪统计数据，我们系统性地评估了在严格交叉验证方法下的分类性能和计算效率。实验结果表明，量子启发的方法，特别是 QAOA，达到了最高 84.6% 的准确率，而且所需的可训练参数数量少于经典基线，这表明其在内存受限的边缘部署中具有实际优势。所提出的关联感知电路设计展示了将领域特定特征关系纳入量子模型中的潜力。此外，混合方法在训练效率方面表现出竞争力，适合资源受限的环境。该框架的低计算开销和紧凑参数占用 footprint 表明其在智能城市监控系统中，由分布式节点执行局部犯罪分析的无线传感器网络部署方面具有潜在优势。我们的发现为量子增强机器学习应用于结构化犯罪数据提供了初步的实证评估，并激励了使用更大数据集和现实量子硬件进行进一步检验。
引用
@article{arxiv.2604.07389,
title = {Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics},
author = {Niloy Das and Apurba Adhikary and Sheikh Salman Hassan and Yu Qiao and Zhu Han and Tharmalingam Ratnarajah and Choong Seon Hong},
journal= {arXiv preprint arXiv:2604.07389},
year = {2026}
}