QIBONN：面向表格分类的量子灵感双层优化器
机器学习
2025-11-13 v1 量子物理
摘要
针对表格数据的神经网络超参数优化（HPO）是广泛应用领域的关键问题，但由于大规模非凸搜索空间和详尽调优成本的限制，这一任务仍具有挑战性。我们引入Quantum-Inspired Bilevel Optimizer for Neural Networks（QIBONN），这是一种编码特征选择、架构超参数和正则化项于统一量子位表示的双层框架。通过将确定性量子灵感旋转与由全局吸引子引导的随机量子位突变相结合，QIBONN在固定评估预算下平衡了探索与开发。我们在单比特比特翻转噪声（0.1%--1%）模拟的IBM-Q后端上进行了系统性实验。结果表明，在相同的调优预算下，QIBONN与包括经典树基方法和经典/量子灵感HPO算法在内的既定方法并驾齐驱。
引用
@article{arxiv.2511.08940,
title = {QIBONN: A Quantum-Inspired Bilevel Optimizer for Neural Networks on Tabular Classification},
author = {Pedro Chumpitaz-Flores and My Duong and Ying Mao and Kaixun Hua},
journal= {arXiv preprint arXiv:2511.08940},
year = {2025}
}
备注
6 pages, 3 figures, 3 tables. Accepted at IEEE International Conference on Big Data 2025