多模态学习的可表达且可扩展的量子融合
量子物理
2025-10-09 v1 人工智能
摘要
本文旨在引入一种用于多模态学习的量子融合机制，并确立其理论和实证潜力。该方法称为量子融合层(QFL)，用参数化量子电路取代经典融合方案，以无需指数参数增长的方式学习跨模态的纠缠特征交互。受量子信号处理原理支持，量子组件以线性参数规模有效地表示跨模态的高阶多项式交互，并提供了一个QFL与低秩张量方法之间的分离示例，突显潜在的量子查询优势。在仿真中，QFL在小规模但多样化的多模态任务上 consistently 优于强大的经典基准，尤其在高模态规模下表现显著。这些结果表明，QFL提供了一种全新的、可扩展的多模态融合方法，值得在更大规模系统上进一步探索。
引用
@article{arxiv.2510.06938,
title = {Expressive and Scalable Quantum Fusion for Multimodal Learning},
author = {Tuyen Nguyen and Trong Nghia Hoang and Phi Le Nguyen and Hai L. Vu and Truong Cong Thang},
journal= {arXiv preprint arXiv:2510.06938},
year = {2025}
}
备注
22 pages, 4 figures