QuXAI：用于混合量子机器学习模型的解释器
机器学习
2025-06-13 v3 人工智能
量子物理
摘要
混合量子-经典机器学习 (HQML) 模型的出现开辟了计算智能的新天地，但其根本复杂性常常导致黑箱行为，削弱了其在应用中的透明度和可靠性。尽管量子系统的 XAI 仍处于早期阶段，但显而易见的研究空白在于为 HQML 架构设计的鲁健的全局和局部解释方法，这些架构采用量子化特征编码后进行经典学习。本工作聚焦于填补这一空白，引入 QuXAI 框架，基于 Q-MEDLEY 的一个解释器，用于解释这些混合系统中特征重要性。我们的模型包含采用量子特征映射的 HQML 模型的构建，运用 Q-MEDLEY，该方法结合特征基于的推断、保留量子转换阶段并可视化所得归因。我们的结果表明，Q-MEDLEY 能准确地 delineate 影响 HQML 模型的经典方面，同时分离其噪声，并在经典验证设置中与 established XAI 技术竞争。消融研究更显著地暴露了 Q-MEDLEY 所用复合结构的优势。本工作的意义至关重要，因为它为提高 HQML 模型的可解释性和可靠性提供了途径，从而促进更大的信心，并能更负责任地运用量子增强 AI 技术。我们的代码和实验已开源于：https://github.com/GitsSaikat/QuXAI
引用
@article{arxiv.2505.10167,
title = {QuXAI: Explainers for Hybrid Quantum Machine Learning Models},
author = {Saikat Barua and Mostafizur Rahman and Shehenaz Khaled and Md Jafor Sadek and Rafiul Islam and Shahnewaz Siddique},
journal= {arXiv preprint arXiv:2505.10167},
year = {2025}
}
备注
16 pages, 6 figures, 7 equations