面向地球观测数据分类的混合量子网络多任务学习
机器学习
2026-02-02 v1 人工智能
摘要
量子机器学习 (QML) 正日益受到关注，作为解决未来计算需求挑战的潜在解决方案。地球观测 (EO) 已进入大数据时代，对使用复杂深度学习模型有效分析大规模 EO 数据的计算需求已成为瓶颈。以此为动机，我们旨在利用量子计算进行 EO 数据分类，探索其在当前量子设备限制下的优势。本文提出了一种混合模型，包含多任务学习以辅助高效数据编码，并采用位置权重模块结合量子卷积运算提取用于分类的有效特征。我们使用多个 EO 基准数据评估了所提出模型的有效性。此外，我们进一步探索了模型的可塑性，并检验了其优势的贡献因素，凸显了 QML 在 EO 数据分析中的潜力。
引用
@article{arxiv.2601.22195,
title = {Multitask Learning for Earth Observation Data Classification with Hybrid Quantum Network},
author = {Fan Fan and Yilei Shi and Tobias Guggemos and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2601.22195},
year = {2026}
}