面向文本分类的鲁棒混合经典-量子迁移学习模型，集成GPT-Neo 125M与LoRA与SMOTE增强
机器学习
2025-01-23 v2 量子物理
摘要
本研究提出一种混合经典-量子框架用于文本分类，将GPT-Neo 125M与低秩适应（LoRA）以及合成少数过采样技术（SMOTE）集成到量子计算后端中。尽管GPT-Neo 125M基线模型仍是表现最佳的模型，但LoRA和SMOTE的实现使混合模型在准确率、收敛速度和泛化能力方面均获得改进。在IBM 127量子位后端和Pennylane 32量子位仿真器上进行实验，证明了将经典神经网络与量子电路组合的可行性。该框架凸显了混合架构在推动自然语言处理应用方面的潜力。
引用
@article{arxiv.2501.10435,
title = {Robust Hybrid Classical-Quantum Transfer Learning Model for Text Classification Using GPT-Neo 125M with LoRA & SMOTE Enhancement},
author = {Santanam Wishal},
journal= {arXiv preprint arXiv:2501.10435},
year = {2025}
}
备注
8 pages, 11 figures