量子回归的训练-free 认证界限：一个可扩展框架

我们提出了一种基于泡利期望值直接推导的训练-free 认证误差界限，用于量子回归。我们将分类的最小准确性启发式概念推广到回归问题，在泡利特征空间中评估轴对齐预测器。我们正式证明，最优轴对齐预测器构成给定量子特征映射上任何线性或核方法可获得的最小训练均方误差（MSE）的严格上界。由于计算确切界限需要对完整泡利基进行不可计算的扫描，我们引入了蒙特卡派框架，通过可计算的测量轴子集有效估计该界限。我们进一步提供了非渐近统计保证，以在实际测量预算内确保性能。该方法启用了量子特征图的快速比较和早期表达性诊断，允许在部署更复杂模型之前进行有信息的架构选择。