基于相位结构重参数化的少样本AIGC检测量子启发式微调
机器学习
2026-03-04 v1 人工智能
量子物理
摘要
最近的研究表明，量子神经网络 (QNN) 在少样本情境下能良好泛化。为将这一优势扩展到大规模任务，我们提出Q-LoRA，这是一种量子增强的微调方案，将轻量级QNN集成到低秩适应 (LoRA) 适配器中。应用于AI生成内容 (AIGC) 检测，Q-LoRA在少样本设置下 consistently优于标准LoRA。我们分析了这种改进的来源，确定了QNN的两种可能的结构归纳偏置：(i) 相位感知表示，这些表示对正交幅度-相位组件编码更丰富的信息；(ii) 范数受限的变换，这些变换通过固有的正交性来稳定优化。然而，Q-LoRA因量子仿真而产生显著的开销。受我们的分析启发，我们进一步引入H-LoRA，这是一种完全基于经典的方法，通过在LoRA适配器中应用希尔伯特变换来保留类似的相位结构和约束。针对少样本AIGC检测实验，Q-LoRA和H-LoRA均优于标准LoRA超过5%的准确率，其中H-LoRA在该任务中以显著更低的成本实现了可 comparable的准确率。
引用
@article{arxiv.2603.02281,
title = {Quantum-Inspired Fine-Tuning for Few-Shot AIGC Detection via Phase-Structured Reparameterization},
author = {Kaiyang Xing and Han Fang and Zhaoyun Chen and Zhonghui Li and Yang Yang and Weiming Zhang and Guoping Guo},
journal= {arXiv preprint arXiv:2603.02281},
year = {2026}
}
备注
12 pages, 5 figures