QiVC-Net：量子启发变分卷积网络及其在生物信号分类中的应用
机器学习
2025-11-11 v1 信号处理
摘要
本文引入了量子启发变分卷积（QiVC）框架，这是一种新型的学习范式，将概率推断、变分优化与量子启发变换的原理集成于卷积架构之中。QiVC 的核心创新在于其量子启发旋转集成（QiRE）机制。QiRE 通过对卷积权重执行可微分的低维子空间旋转，类似于量子态演化。该方法实现了结构化不确定性建模，同时保持参数空间的内在几何，从而产生更具表达性、稳定性和不确定性感知能力的表示。为演示其实际潜力，本文将概念在基于 QiVC 的卷积网络（QiVC-Net）中实现，并在生物信号分类领域进行评估，聚焦于 phonocardiogram（PCG）录音，这一领域具有高噪声、跨主体变异性且数据常不平衡的挑战。 proposed QiVC-Net 集成了一个卷积层不引入额外参数的架构，通过结构化机制对卷积权重进行集成旋转，确保在不增加计算负担的前提下实现鲁棒性。在两个基准数据集（PhysioNet CinC 2016 和 PhysioNet CirCor DigiScope 2022）上的实验表明，QiVC-Net 实现了最先进的性能，分别达到 97.84% 和 97.89% 的准确率。这一发现凸显了 QiVC 框架的灵活性，并为在实际医学生物信号分析中推动不确定性感知建模的前景。QiVC 卷积层的实现已公开于 GitHub。
引用
@article{arxiv.2511.05730,
title = {QiVC-Net: Quantum-Inspired Variational Convolutional Network, with Application to Biosignal Classification},
author = {Amin Golnari and Jamileh Yousefi and Reza Moheimani and Saeid Sanei},
journal= {arXiv preprint arXiv:2511.05730},
year = {2025}
}