使用基于黑盒优化和量子退火过滤误标记训练实例
机器学习
2025-10-13 v2 统计力学
量子物理
摘要
本研究提出了一种从被污染的训练数据集中移除误标记实例的方法，通过结合基于代理模型的黑盒优化 (BBO) 与后处理和量子退火。误标记的训练实例是真实数据集中常见的问题，常会损害模型的泛化能力，因而需要稳健且高效的噪声移除策略。该方法依据验证损失评估筛选后的训练子集，通过基于代理模型的 BBO 与后处理不断细化损失估计，并利用量子退火高效地对具有低验证误差的多样化训练子集进行采样。在噪声多数位任务上的实验表明，该方法能够优先移除高风险的误标记实例。集成运行于物理量子 annealer 上的 D-Wave 的clique sampler 相较于 OpenJij 的模拟量子退火采样器或 Neal 的模拟退火采样器，实现更快的优化和更高质量的训练子集，为增强数据集质量提供了可扩展框架。该工作凸显了该方法对于监督学习任务的有效性，未来方向包括其应用于无监督学习、真实世界数据集和大规模实现。
引用
@article{arxiv.2501.06916,
title = {Filtering out mislabeled training instances using black-box optimization and quantum annealing},
author = {Makoto Otsuka and Kento Kodama and Keisuke Morita and Masayuki Ohzeki},
journal= {arXiv preprint arXiv:2501.06916},
year = {2025}
}