监督潜在重构：小数据量量子学习在植物表型中的应用
机器学习
2026-05-21 v1
摘要
高维生物数据常常在特征维度和样本量之间存在严重不匹配，导致在极小数据 regime 下难以进行可靠分类。在这些情况下，当潜在压缩未能保留类别可分离结构时，核方法会丧失判别力。我们在细粒度植物表型中研究此问题，提出一种混合工作流程，将 1280 维深度图像嵌入压缩到 64 维 PCA 空间，然后通过线性判别分析 (LDA) 将其重构到 11 维监督潜在空间，随后在 NVIDIA L40S 硬件上进行 GPU 加速的量子核对齐 (QKA)。经验上，监督潜在重构显著提高了压缩表示的几何可分离性，将 Silhouette 系数从原始嵌入空间中的 0.003 和 PCA-64 中的 -0.006 提升到监督 LDA-11 空间中的 0.197。然而，下游经典评估揭示了明显的压缩权衡：线性 SVM 和 XGBoost 在重构潜在空间中改善，而 RBF-SVM 和随机森林在相同的 11 维瓶颈下下降。在受限优化预算下，QKA 在此情境下仍具有挑战性，表明潜在几何本身并不足以实现强大的可训练量子性能。这些发现将表示几何定位为小数据量量子学习中的核心设计变量，并暴露了从激进压缩的生物学表示中恢复非线性判别结构的实际困难。
引用
@article{arxiv.2605.20413,
title = {Supervised Latent Restructuring for Small-Data Quantum Learning in Plant Phenomics},
author = {Alakananda Mitra and David H. Fleisher and Vangimalla Reddy and Chittaranjan Ray},
journal= {arXiv preprint arXiv:2605.20413},
year = {2026}
}
备注
11 pages, 4 Tables, 3 Figures