.png){kind=icon}
返回
An Interpretable Quantum Adjoint Convolutional Layer for Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3567090.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子机器学习（QML）的可解释性是指为QML模型的预测和决策过程提供清晰易懂解释的能力。然而，大多数量子卷积层（QCL）采用黑箱结构，固有地缺乏可解释性，导致原理不透明和经典数据映射次优。这严重削弱了QML模型的可靠性。此外，当前大多数QML可解释性研究侧重于事后解释，严重忽视了探索内在原因的重要性。为解决这些挑战，我们引入了量子伴随卷积操作（QACO）。它是一种基于量子演化的内在可解释性方案，其量子映射精确对应图像的位置和像素值，原理等价于Frobenius内积（FIP）。此外，我们通过整合量子相位估计（QPE）算法，将QACO概念扩展为量子伴随卷积层（QACL），实现了所有FIP的并行计算。在PennyLane和TensorFlow平台上的实验结果表明，与经典和不可解释的量子方法相比，我们的方法在Fashion MNIST、MNIST和DermaMNIST数据集上的平均测试准确率分别提高了6.3%、3.4%和2.9%，同时在高斯噪声下保持了73.3%的噪声鲁棒准确率，展示了其在实际场景中的优越泛化能力和鲁棒性。
Keyword:
Hadamard test
machine learning
quantum circuit
quantum convolution layer
quantum enhanced machine learning
quantum phase estimation (QPE)
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
分享收藏
Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型
OAAI
OAAI分享收藏
查看更多内容