使用量子电路Born机进行量子增强合成数据生成用于不平衡表格学习

数据稀缺和类别不平衡是机器学习中持续存在的挑战，它们降低模型泛化能力并引入预测偏差。我们提出一个混合量子-经典框架，使用量子电路Born机（QCBM）进行合成数据生成以解决这些限制。所提出的方法利用量子力学性质——叠加和纠缠——在参数化变分量子电路中建模经典生成方法难以捕获的复杂概率分布。实验在两个表格基准数据集上进行：Iris数据集和Telco客户流失数据集。预处理包括归一化和基于PCA的降维，以实现量子电路的高效基编码。QCBM通过使用基于梯度的参数移位优化规则最小化真实和生成数据分布之间的Kullback-Leibler（KL）散度来训练。用QCBM生成的合成样本以少数类40-50%的比例增强训练数据，将F1分数提高约5-15%，少数类召回率提高10-25%。跨域评估（在合成上训练，在真实上测试；以及在真实上训练，在合成上测试）显示性能差距仅为3-10%，表明强大的分布保真度。与经典过采样方法——SMOTE、Borderline-SMOTE、KMeansSMOTE和SVM-SMOTE——的比较分析表明，QCBM实现了有竞争力的分类性能，并在Telco数据集上产生较低的Maximum Mean Discrepancy（MMD），表明在某些不平衡设置中具有优越的结构相似性。这些发现确立了QCBM作为数据增强的可行补充工具，特别是对于具有类别不平衡的低维结构化表格数据。