基于局部去极化噪声的量子核方法边际泛化界限
量子物理
2026-04-02 v2
摘要
泛化指的是机器学习(ML)模型将从训练数据中学习的模式成功应用于新未见数据的数据的能力。当前受限于噪声的中间规模量子(NISQ)时代的量子设备本质上受噪声影响，这会降低泛化性能。在本工作中，我们推导了针对局部去极化噪声下的量子核支持向量机(QSVMs)的上和下边际基泛化界限。这些理论界限表征了噪声引起的边际衰减，并通过多个数据集的数值仿真以及真实量子硬件上的实验进行验证。我们进一步通过实证建立边际作为 QSVM 泛化性能可靠指示器，来正当化边际基方法的关注。此外，我们通过展示常用全局去极化噪声模型过于乐观且未能准确捕捉在 NISQ 时代观察到的泛化性能退化，来鼓励研究局部去极化噪声。
引用
@article{arxiv.2601.23084,
title = {Margin-Based Generalisation Bounds for Quantum Kernel Methods under Local Depolarising Noise},
author = {Saarisha Govender and Ilya Sinayskiy},
journal= {arXiv preprint arXiv:2601.23084},
year = {2026}
}
备注
31 pages, 13 figures; minor updates