基于角度异常的量子 SMOTE
量子物理
2025-02-03 v1 机器学习
摘要
本文介绍了 Quantum-SMOTEV2，这是一种基于量子计算的量子-SMOTE 方法变体，无需 K-Means 聚类即可解决机器学习数据集中的类别不平衡问题。Quantum-SMOTEV2 利用交换测试和围绕单一数据质心的量子旋转合成数据样本，聚焦于少数类数据点的角度分布及角度异常（AOL）概念。实验结果表明，在中等 SMOTE 水平（30-36%）时，模型性能指标显著提升，此前原方法需达到 50% 才能实现。Quantum-SMOTEV2 保留其前任工作（arXiv:2402.17398）的关键特性，包括旋转角、少数类比例和分割因子，可针对特定数据集需求进行定制化适应。该方法具有可扩展性，利用紧凑交换测试和低深度量子电路，以适应大量特征。针对公开的 Cell-to-Cell 电信数据集，采用 Random Forest（RF）、K-最近邻（KNN）分类器和神经网络（NN）进行评估，结果表明：集成角度异常在不同合成数据比例下，使分类指标如准确率、F1 分数、AUC-ROC 和 AUC-PR 均有所提升，凸显 Quantum-SMOTEV2 在增强边缘情况模型性能方面的有效性。
引用
@article{arxiv.2501.19001,
title = {Quantum SMOTE with Angular Outliers: Redefining Minority Class Handling},
author = {Nishikanta Mohanty and Bikash K. Behera and Christopher Ferrie},
journal= {arXiv preprint arXiv:2501.19001},
year = {2025}
}