面向量子多类分类的终极精度：基于Trace距离Binary Tree AdaBoost分类器
量子物理
2026-02-03 v1
摘要
我们提出了一种基于Trace距离Binary Tree AdaBoost（TTA）的量子多类分类器，这是一条实用的量子多类分类管道，结合了量子感知的归约与集成学习，以提高可训练性和资源效率。TTA通过在每个内部节点选择最大化平均量子态之间trace距离的二分划分来构建层次化二分树；每个节点训练一个基于浅变分量子基学习器的二元AdaBoost集成。通过将固有难以区分的小trace距离区别局限于小型节点特定数据集，并通过AdaBoost组合弱浅学习器，TTA在众多小型子模型之间分配容量，而非单一深度电路，从而缓解了barren-plateau问题和优化失败，而不牺牲泛化能力。实验上，TTA在量子和经典基准中实现了约100%的最高测试准确率，抗性强，实现了10000累计层和0.2M参数的聚合系统，作为众多浅电路实现。我们的成果是实证性的且可在近期平台上实现，为可扩展的量子机器学习多类提供了资源高效的路径。
引用
@article{arxiv.2602.02120,
title = {Towards Ultimate Accuracy in Quantum Multi-Class Classification: A Trace-Distance Binary Tree AdaBoost Classifier},
author = {Xin Wang and Yabo Wang and Rebing Wu},
journal= {arXiv preprint arXiv:2602.02120},
year = {2026}
}
备注
26 pages, 30 figures