基于绝热量子优化的鲁棒分类

我们提出了一种非凸训练目标，用于对存在标签噪声的数据集进行鲁棒二分类。该设计旨在通过绝热量子优化求解所得问题。现有量子硬件的工程约束施加了两个要求：训练问题被表述为二次无约束二进制优化；模型参数表示为低比特深度的二进制展开。在本文中，我们通过使用启发式经典求解器作为量子硬件的替代来验证该方法。在几个流行数据集上进行测试，并与若干现有损失函数进行比较，我们发现随着标签噪声的增加，以测试误差衡量的鲁棒性具有显著优势。鲁棒性得益于我们与硬件兼容的损失函数（称为q-loss）的非凸性。