通过改进的拉普拉斯和泊松方法增强量子半监督学习
量子物理
2025-08-05 v1 人工智能
摘要
本文发展了一种用于图基半监督学习的混合量子方法，以提升在标签数据稀缺场景下的性能。我们引入两种改进的量子模型，即改进拉普拉斯量子半监督学习（Improved Laplacian Quantum Semi-Supervised Learning, ILQSSL）和改进泊松量子半监督学习（Improved Poisson Quantum Semi-Supervised Learning, IPQSSL），在变分量子电路中集成先进的标签传播策略。这些模型利用 QR 分解将图结构直接嵌入量子态，从而在低标签设置下实现更有效的学习。我们在像 Iris、Wine、Heart Disease 和 German Credit Card 等四个基准数据集上验证了这些方法，并表明 ILQSSL 和 IPQSSL 在有限监督条件下持续优于领先的经典半监督学习算法。除了标准性能指标外，我们还通过分析纠缠熵和随机基准测试（Randomized Benchmarking, RB）来检验电路深度和量子比特数对学习质量的影响。我们的结果表明，适度的纠缠有助于提高模型的泛化能力，但增加的电路复杂度可能在当前量子硬件上引入噪声而削弱性能。总体而言，本研究凸显了量子增强模型在半监督学习中的潜力，为在标签可用性和硬件限制受限的应用中设计平衡表达性和稳定性的量子电路提供了实用见解。这些发现支持了量子机器学习在数据高效分类中发挥作用的角色，尤其是在标签 availability 和硬件限制受限的场景中。
引用
@article{arxiv.2508.02054,
title = {Enhancement of Quantum Semi-Supervised Learning via Improved Laplacian and Poisson Methods},
author = {Hamed Gholipour and Farid Bozorgnia and Hamzeh Mohammadigheymasi and Kailash Hambarde and Javier Mancilla and Hugo Proenca and Joao Neves and Moharram Challenger},
journal= {arXiv preprint arXiv:2508.02054},
year = {2025}
}