在噪音,失衡,特征减少和可解释性下对经典和量子机器学习进行了强有力的评估

科学领域:

• 计算机科学 计算机科学
• 量子计算是一种量子计算.
• 人工智能的人工智能

背景情况:

• 现实世界的数据往往会带来诸如噪音,不平衡和高维度等挑战,影响传统机器学习 (ML) 模型的性能.
• 量子机器学习 (QML) 通过使用量子计算为复杂的分类任务提供了潜在的优势.
• 在现实的数据条件下评估QML模型对于实际部署至关重要.

研究的目的:

• 对传统的监督ML分类器和QML分类器进行广泛的实验比较.
• 评估不同数据集的模型性能,模拟现实世界的复杂性,如噪音,类失衡和高维度.
• 使用可解释AI (XAI) 工具调查ML模型的可解释性.

主要方法:

• 对比了五个监督的ML分类器 (决策树,K-NN,随机森林,线性回归,SVM) 与三个QML分类器 (量子SVM,量子K-NN,变量量子分类器).
• 使用了五个不同的数据集 (Iris,葡萄酒质量,乳腺癌,UCI HAR,Pima糖尿病).
• 引入了类不平衡 (SMOTE,ADASYN),特征噪声 (高斯式) 和维度减小 (ANOVA);为了可解释性,使用了SHAP和LIME.

主要成果:

• 后勤回归在各种复杂度上表现出一致的性能.
• 量子支持向量机器表现出了显著的弹性,以特征噪音和类不平衡.
• 可解释的人工智能工具为模型决策过程提供了洞察力.

结论:

• 量子ML模型,特别是量子SVM,显示出处理复杂,现实世界的数据挑战的潜力.
• 该研究强调了当前的QML能力和局限性,为可概括和可解释的ML系统的开发提供了信息.
• 这些发现对于在复杂的实际环境中部署强大的AI至关重要.