基于 QSMOTE 的 PGM 与 kPGM 用于不平衡数据集分类

量子启发机器学习（QiML）运用量子理论中的数学原理，如希尔伯特空间表示和量子态区分，来增强经典学习算法。本文研究将量子合成少数过采样技术（QSMOTE）变体与两种量子启发分类器集成：优良测量（PGM）分类器和核化优良测量（kPGM）分类器。我们提出并分析了三种 QSMOTE 变体，即基于 KNN、保真度和边际的 QSMOTE，旨在通过量子启发的相似性和采样机制改善不平衡数据集中少数类代表性。本文在幅度编码和立体编码策略下，对 PGM 与 kPGM 进行统一的理论与实证比较，分析多量子副本的影响。在电话客户流失数据集上的实验评估表明，所提出的量子启发方法持续优于经典随机森林基线，尤其在召回率和平衡 F1 分数方面。其中，立体编码下 n_{copies}=2 的 PGM 配置 achieves 最佳性能，准确率达 0.8512，F1 分数为 0.8234；而 KPGM 在不同 QSMOTE 变体下表现出具竞争力且更稳定的行为，分别在立体编码下达 0.8511，幅度编码下达 0.8483。实验进一步表明，增加量子副本数可系统性提升分类性能，尤其对少数类检测有效。本工作凸显了结合量子启发式过采样与分类策略在不平衡学习中的有效性，同时提供了测度驱动与核方法量子启发机器学习框架互补优势的实用见解。