混合量子时序卷积网络
机器学习
2026-03-02 v1
摘要
量子机器学习模型用于顺序数据在面对复杂多变量信号时面临可扩展性挑战。我们引入混合量子时序卷积网络 (HQTCN),将经典时序窗口与量子卷积神经网络核心相结合。通过对时序窗口应用共享量子电路,HQTCN 在捕获长程依赖方面实现了显著的参数降低。评估在合成 NARMA 序列和高维 EEG 时间序列上进行,在单变量数据上,HQTCN 与经典基线方法相当,而在多变量任务上则超越所有基线方法。该模型在数据受限条件下表现尤为突出,使用显著少于常规方法的参数即可保持高性能。这些结果将 HQTCN 确立为多变量时间序列分析的参数高效方法。
引用
@article{arxiv.2602.23578,
title = {Hybrid Quantum Temporal Convolutional Networks},
author = {Junghoon Justin Park and Maria Pak and Sebin Lee and Samuel Yen-Chi Chen and Shinjae Yoo and Huan-Hsin Tseng and Jiook Cha},
journal= {arXiv preprint arXiv:2602.23578},
year = {2026}
}