用于基于重建的异常检测的量子卷积自编码器

量子卷积神经网络（QCNNs）因其高效的参数化和量子信息的分层表示而在量子机器学习（QML）中变得越来越流行。异常检测是一项重要的机器学习任务，在包括科学数据分析在内的广泛领域都有应用。在这项工作中，我们将QCNN架构改编为量子自编码器（QAE）框架，用于基于重建的异常检测。模型以半监督方式在正常样本上进行训练，以重建经过特征提取和降维的时间序列数据，重建误差用作异常分数。我们研究了两种量子卷积自编码器架构，它们在潜在信息的处理方式上有所不同：一种是在电路中保持信息分布的分层架构，另一种是使用额外的解码器量子比特显式压缩和重建信息的基于瓶颈的架构。我们改变量子潜在空间的大小，以研究其对重建精度和异常检测性能的影响。使用真实的系外行星异常检测数据集，将这些方法与变分量子电路和类似的经典基线进行了基准测试。结果表明，潜在空间大小和模型容量之间存在权衡，同时也表明，与在整个电路中保留信息的架构相比，通过量子瓶颈进行显式潜在空间压缩可以提高异常检测性能。