验证量子机器学习中的公平性

由于量子计算具有超越经典的能力，量子机器学习被独立应用或嵌入经典模型中用于决策，尤其在金融领域。公平性与其它伦理问题常是决策的主要关切之一。本工作中，我们为量子机器学习决策模型的公平性验证与分析定义了一个形式化框架，其中我们采用了文献中最流行的公平性概念之一，其直觉为——任何两个相似个体必须被相似对待，从而无偏。我们展示了量子噪声可改善公平性，并开发了用于检查（含噪）量子机器学习模型是否公平的算法。特别地，该算法可在检查过程中发现量子数据（编码个体）的偏置核（bias kernels）。这些偏置核生成无穷多偏置对，用于探究模型的不公平性。我们的算法基于一种高效数据结构——张量网络（Tensor Networks）——设计，并在 Google 的 TensorFlow Quantum 上实现。我们算法在真实数据上的收入预测与信用评分等实验结果（针对一类具有 27 个量子比特（$2^{27}$ 维状态空间）的随机（含噪）量子决策模型，其规模是最先进量子机器学习模型验证算法的三倍（$2^{18}$ 倍））证实了其实用性与有效性。