量子谱聚类：比较参数化和神经形态量子核

我们比较了参数化量子核(pQK)与采用 Victor-Purpura 或 van Rossum 核的量子 leaky integrate-and-fire(QLIF) 神经形态计算方法在谱聚类任务中的表现，以及经典径向基函数(RBF)核。绩效评估包括基于标签的分类和聚类指标，以及基于典型 K 均值聚类中使用的肘部曲线预测的每个数据集的最佳聚类数。pQK 通过角编码对特征向量进行编码，旋转角度按参数比例缩放。通过网格搜索优化参数以最大化核-目标对齐，产生反映特征空间距离的核。量子神经形态方法使用 population 编码将数据转换为放电序列，然后使用时间距离度量进行处理。在合成数据集和 \texttt{Iris} 上，QLIF 核通常在分类和聚类性能上优于 pQK。然而，在更高维数据的情景下，如预处理后的 Sloan Digital Sky Survey(\texttt{SDSS})，pQK 的表现更好，这表明在更高维 regime 中可能存在优势。