.png){kind=icon}
返回
Feature permutation for quantum machine learning
.png){kind=icon}
OA
AI
DOI：10.1007/s42484-025-00337-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征排列，即特征向量中特征的刻意顺序，并未被视为影响传统量子机器学习（QML）模型性能的因素。尽管许多研究在基准问题上成功训练了QML模型，但未考虑特征排列现象可能对这些结果产生的影响。本文理论上展示了特征上传到典型QML流程的顺序如何可能影响模型自身的结构，并实证表明这些影响在基准问题上同样可见。此外，我们设计了一个对抗性排列数据集，可用于识别对QML模型性能产生显著影响排列。该数据集可用于展示在最坏情况下，仅选择错误的排列即可完全破坏所研究问题的QML模型性能。
Keyword:
Quantum machine learning
Feature permutation
Quantum neural network
Data-reuploading classifiers
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
Q
IF:
4.4
论文数:
440
被引数:
796
机构
引用论文
The barren plateaus of quantum neural networks: review, taxonomy and trends量子神经网络的贫瘠高原：综述、分类和趋势
PREAI
分享收藏分享收藏
A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects卷积神经网络综述: 分析、应用与展望OAAI
OAAI分享收藏A Lie algebraic theory of barren plateaus for deep parameterized quantum circuits.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏 没有更多内容
没有更多内容