量子机器学习模型中尽管过拟合仍泛化的现象
量子物理
2023-12-20 v2
摘要
深度神经网络的广泛成功揭示了经典机器学习中的一个意外：非常复杂的模型常常泛化良好，同时过拟合训练数据。这种良性过拟合现象已在多种经典模型中被研究，旨在更好地理解深度学习背后的机制。在量子机器学习背景下刻画该现象可能同样会增进我们对过拟合、过参数化与泛化之间关系的理解。在本工作中，我们给出了量子模型中良性过拟合的刻画。为此，我们推导了经典插值傅里叶特征模型在含噪信号上回归的行为，并展示了一类量子模型如何展现类似特征，从而将量子电路的结构（如数据编码和态制备操作）与量子模型中的过参数化和过拟合联系起来。我们根据量子模型以局部“尖刺”行为插值含噪数据的能力直观地解释了这些特征，并给出了良性过拟合的具体演示实例。
引用
@article{arxiv.2209.05523,
title = {Generalization despite overfitting in quantum machine learning models},
author = {Evan Peters and Maria Schuld},
journal= {arXiv preprint arXiv:2209.05523},
year = {2023}
}
备注
47 pages, 6 figures