量子机器学习在抗毒性和可遗忘性方面的优越表现

人工智能的可靠性依赖于其训练数据的完整性，而这一基础常常被噪声和损坏所损害。本文通过对经典和量子神经网络在经典和量子数据上的比较研究，揭示了其对数据腐败反应的根本差异。我们发现，经典模型表现出脆弱的记忆行为，导致泛化失败。相比之下，量子模型表现出显著的韧性，这一点通过对增加标签噪声的类似相变的响应得到了强化，揭示了一个关键点，超过该点后模型的性能会发生质变。我们进一步建立并研究了量子机器遗忘领域，即有效地迫使训练好的模型遗忘捣乱影响的过程。我们表明，经典模型的脆弱性导致其对错误数据形成刚性、顽固的记忆，使得高效遗忘变得困难，而量子模型在近似遗忘方法下显然更容易实现高效遗忘。我们的发现表明，量子机器学习具有内在韧性和高效可适应性的双重优势，为可信赖且具有未来愿景的人工智能提供了有前景的范式。