面向机器学习模型的量子启发编码策略：提出并评估实例级、全局离散和类别条件表示
机器学习
2025-07-02 v1 人工智能
量子物理
摘要
本研究提出、评估并比较三种量子启发数据编码策略：实例级策略（ILS）、全局离散策略（GDS）和类别条件值策略（CCVS），用于将经典数据转换为量子数据以供纯经典机器学习模型使用。主要目标是减少高编码时间，同时确保编码值正确，并分析其对分类性能的影响。实例级策略独立处理数据集的每一行；模拟局部量子态。全局离散值基于编码策略将数据集中所有唯一特征值映射到均匀的量子态。相比之下，类别条件值基于编码策略为每个类别单独编码唯一值，保留类别相关信息。我们将这些编码策略应用于分类任务，并评估其对编码效率、正确性、模型准确率和计算成本的影响。通过分析编码时间、精度与预测性能之间的权衡，本研究为优化量子启发数据转换用于经典机器学习工作流程提供了见解。
引用
@article{arxiv.2507.00019,
title = {Quantum Inspired Encoding Strategies for Machine Learning Models: Proposing and Evaluating Instance Level, Global Discrete, and Class Conditional Representations},
author = {Minati Rath and Hema Date},
journal= {arXiv preprint arXiv:2507.00019},
year = {2025}
}