数据诱导随机性在量子机器学习分类任务中的作用
量子物理
2024-12-02 v1 机器学习
摘要
量子机器学习（QML）因旨在超越经典机器学习模型能力而成为突出现的研究领域。学习任务的关键方面是数据嵌入过程，直接影响模型性能。设计不当的数据嵌入策略会显著影响学习任务的成功。尽管其重要性已得到广泛认识，但对数据嵌入影响的严格分析仍有限，许多案例缺乏有效的评估方法。本文引入一种用于二进制分类任务的指标 — — 类别间隔（class margin），通过融合平均随机性和分类间隔的概念而实现。该指数从理论上将数据诱导的随机性与给定数据嵌入映射下的分类准确率相关联。我们通过类别间隔对多种数据嵌入策略进行基准测试，表明数据诱导的随机性对分类性能施加限制。我们期望本工作为通过数据嵌入过程评估 QML 模型提供新方法，解决现有分析工具遗漏的空白。
引用
@article{arxiv.2411.19281,
title = {The role of data-induced randomness in quantum machine learning classification tasks},
author = {Berta Casas and Xavier Bonet-Monroig and Adrián Pérez-Salinas},
journal= {arXiv preprint arXiv:2411.19281},
year = {2024}
}
备注
23 pages, 6 figures