.png){kind=icon}
.png){kind=icon}
返回
A quantum bagging algorithm with unsupervised base learners for label corrupted datasets
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jocs.2026.103011.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据损坏的鲁棒性仍然是量子机器学习算法计算设计中的一个重大挑战。在本工作中，我们提出了一种使用QMeans聚类作为基学习器的量子装袋框架，以降低预测方差并增强对标签噪声的鲁棒性。与基于监督学习者的装袋框架不同，我们的方法利用了QMeans的无监督特性，并结合受QRAM启发的自助采样公式以及通过多数投票的装袋聚合。通过对有噪声的分类和回归任务的广泛模拟，我们证明所提出的量子装袋算法在性能上与使用K-Means的经典对应方法相当，同时表现出比监督装袋方法更强的标签损坏抗性。这突显了无监督量子装袋在从不可靠数据中学习的潜力。
Keyword:
Noise resilient learning
Quantum machine learning
Quantum bagging
QRAM based subsampling
Quantum bootstrapping
Quantum K-means clustering
Variance reduction