QiNN-QJ：一种带量子跃迁的量子灵感神经网络用于多模态情感分析
机器学习
2025-11-03 v1 人工智能
量子物理
摘要
量子理论提供了如叠加和纠缠等非经典原理，为机器学习领域的新兴范式提供了灵感。然而，大多数现有量子灵感融合模型仅依赖单位或类似单位的变换来生成量子纠缠。虽然在理论上具有表达力，但此类方法往往 suffer from training instability and limited generalizability。本文提出一种用于多模态情感分析的量子灵感神经网络带量子跃迁（QiNN-QJ）。每个模态首先被编码为量子纯态，随后通过一个可微分模块模拟QJ算子，将可分离的乘积态转化为纠缠表示。通过联合学习哈密顿量和林德巴赫算子，QiNN-QJ在具有耗散动力学的跨模态纠缠中实现可控的纠缠 shaping，其中结构化的随机性和稳态吸引子特性用于稳定训练并约束纠缠的形成。最终得到的纠缠态被投影到可训练的测量向量上以生成预测。除了在CMU-MOSI、CMU-MOSEI和CH-SIMS基准数据集上实现超越现有SOTA模型的优异性能外，QiNN-QJ通过von Neumann纠缠熵实现了更好的事后可解释性。本工作建立了一套原则化的框架用于纠缠多模态融合，为量子灵感方法在建模复杂跨模态相关性方面指明了道路。
引用
@article{arxiv.2510.27091,
title = {QiNN-QJ: A Quantum-inspired Neural Network with Quantum Jump for Multimodal Sentiment Analysis},
author = {Yiwei Chen and Kehuan Yan and Yu Pan and Daoyi Dong},
journal= {arXiv preprint arXiv:2510.27091},
year = {2025}
}