基于神经量子支持向量数据描述的单类分类
量子物理
2026-03-04 v1 机器学习
摘要
单类分类 (OCC) 是机器学习中的基本问题，具有诸多应用，如异常检测和质量控制。随着现代数据集复杂度和维度的增加，亟需更具表达力和效率的高级 OCC 技术。我们引入神经量子支持向量数据描述 (NQSVDD)，一种经典-量子混合框架，用于 OCC，实现端到端优化的分层表示学习。NQSVDD 将经典神经网络与可训练量子数据编码和变分量子电路集成，使模型能够针对 OCC 目标学习非线性特征变换。该混合架构将输入数据映射到中间高维特征空间，然后投影到通过量子测量定义的紧凑潜在空间。重要的是，在目标函数下联合优化特征嵌入和潜在表示，使正常数据形成紧凑簇，最小体积包围球提供有效的决策边界。基准数据集上的实验评估表明，NQSVDD 在 AUC 性能上与经典 Deep SVDD 和量子基线相当或更优，同时保持参数效率和在现实噪声条件下的鲁棒性。
引用
@article{arxiv.2603.02700,
title = {Neural quantum support vector data description for one-class classification},
author = {Changjae Im and Hyeondo Oh and Daniel K. Park},
journal= {arXiv preprint arXiv:2603.02700},
year = {2026}
}
备注
17 pages, 7 figures