Q-BAR：基于量子增强流形学习的博主异常识别
多媒体
2026-03-10 v2 量子物理
摘要
在推荐驱动的在线媒体中，创作者日益遭受语义突变的影响，即恶意二次编辑在保持视觉保真度的同时改变了预期含义。检测这些突变需要建模创作者独特的语义流形。然而，为单个创作者训练鲁棒的检测器模型面临数据稀缺的挑战，因为一位独特的博主通常仅有不到50个代表性样本可用于训练。我们提出了量子增强博主异常识别（Q-BAR），一个混合量子-经典框架，利用变分量子电路的高表达能力和参数效率，在低数据条件下检测语义异常。与经典深度异常检测器往往难以从稀疏数据中泛化不同，我们的方法采用参数高效的量子异常检测策略，将多模态特征映射到希尔伯特空间超球面。在100位创作者的精选数据集上，我们的量子增强方法以显著更少的训练参数实现了鲁棒的检测性能。仅使用数百个量子参数，该模型有效缓解了过拟合问题，展示了量子机器学习在个性化媒体取证中的潜力。
引用
@article{arxiv.2512.11071,
title = {Q-BAR: Blogger Anomaly Recognition via Quantum-enhanced Manifold Learning},
author = {Maida Wang and Panyun Jiang},
journal= {arXiv preprint arXiv:2512.11071},
year = {2026}
}