理解量子机器学习同样需要重新思考泛化

量子机器学习模型即使在少量数据训练下也展现出成功的泛化性能。在本工作中，通过系统的随机化实验，我们表明传统的泛化理解方法无法解释此类量子模型的行为。我们的实验揭示，最先进的量子神经网络能够精确拟合随机态和训练数据的随机标签。这种记忆随机数据的能力违背了当前关于小泛化误差的观念，使基于 VC 维、Rademacher 复杂度和所有其一致复杂度度量等的方法出现问题。我们用一个理论构造补充了经验结果，表明量子神经网络可以将任意标签拟合到量子态上，暗示其记忆能力。我们的结果并不排除少量训练数据下良好泛化的可能性，而是排除了仅基于模型族性质所能给出的任何保证。这些发现暴露了量子机器学习中传统泛化理解的根本挑战，并凸显了在机器学习任务的量子模型研究中范式转移的必要性。