量子机器学习模型特征重要性的研究

预测变量重要性是经典与量子机器学习（QML）中数据预处理流程的关键部分。本工作呈现了同类中的首项研究，其中探索了 QML 模型的特征重要性，并与经典机器学习（CML）对应模型进行了对比。我们开发了一种量子-经典混合架构，在该架构中使用真实世界数据集训练 QML 模型，并基于经典算法计算特征重要性值。该架构已在 ESPN 梦幻橄榄球数据上利用 Qiskit 态矢量模拟器以及 IBM 量子硬件（如 IBMQ Mumbai 和 IBMQ Montreal 系统）实现。尽管我们处于含噪中等规模量子（NISQ）时代，物理量子计算结果仍令人鼓舞。为适应当前量子规模，我们创建了数据分层、模型聚合及新颖验证方法。值得注意的是，与经典模型相比，量子模型的特征重要性量级变化大得多。我们可通过多样性度量表明等效的 QML 与 CML 模型具有互补性。QML 与 CML 之间的多样性表明两种方法能以不同方式贡献于解决方案。本文中我们聚焦于量子支持向量分类器（QSVC）、变分量子电路（VQC）及其经典对应模型。ESPN 与 IBM 梦幻橄榄球交易助手将高级统计分析同 Watson Discovery 的自然语言处理相结合，以提供公平的个性化交易建议。此处考虑了每位球员的球员估值数据，且本工作可扩展至计算其他 QML 模型（如量子玻尔兹曼机）的特征重要性。