从基础ECG模型到NISQ学习者：将ECGFounder蒸馏到VQC学生
量子物理
2026-03-31 v1 人工智能
摘要
基础模型最近提高了心电图（ECG）表示学习的效果，但其部署可能受到计算成本和延迟限制的限制。本文我们将ECGFounder微调为高容量教师，用于PTB-XL和MIT-BIH Arrhythmia Database上的二分类ECG分类任务，并探讨知识蒸馏是否可以将其预测行为传递给紧凑的学生。我们评估了两种经典1D学生（ResNet-1D和轻量级CNN-1D）以及一种量子就绪管线，该管线将卷积自编码器与6量子比特变分量子电路结合起来，该电路在Qiskit中实现并在模拟后端上执行。对于两个数据集，教师提供了最强的整体性能，而蒸馏在显著减少可训练参数的情况下yielded competitive students。我们进一步分析了学生性能对蒸馏设置的敏感性，突出了在统一的评估协议下，将基础ECG模型压缩为经典和量子就绪学习者时，准确率与效率之间的一致权衡。
引用
@article{arxiv.2603.27269,
title = {From Foundation ECG Models to NISQ Learners: Distilling ECGFounder into a VQC Student},
author = {Giovanni dos Santos Franco and Felipe Mahlow and Ellison Fernando Cardoso and Felipe Fanchini},
journal= {arXiv preprint arXiv:2603.27269},
year = {2026}
}