QEKLR: quantum-enhanced kernel logistic regression for classification

Misra, Shreshtha

doi:10.1007/s11227-025-07266-y

QEKLR: quantum-enhanced kernel logistic regression for classification

2025-05-04

0

PRE

AI

DOI：10.1007/s11227-025-07266-y

原文链接

原文求助

摘要

En 中文

分类是机器学习（ML）应用（如医疗诊断、金融分析和图像识别）的基础。量子机器学习在增强特征表示和计算效率方面显示出潜力。然而，诸如噪声中等规模量子硬件限制、缺乏可解释性以及参数化量子电路中的贫瘠高原问题等挑战阻碍了其实际应用。为解决这些问题，本研究提出了一种名为量子增强核逻辑回归（QEKLR）的新型混合方法用于分类任务，该方法结合了量子计算与经典逻辑回归（LR）模型以提升分类性能。在本文的QEKLR模型中，经典数据（CD）首先通过浅层ZZFeatureMap转换为量子态（QS），然后使用保真度核计算特征向量之间的点积，得到训练后的量子核。随后，在预测新实例时，将量子核整合到经典LR模型中。我们使用四个数据集（合成数据集、Iris数据集、Statlog Heart Disease（HD）数据集和Ecoli数据集）评估了所提模型的有效性，分别达到了100%、100%、94.87%和71%的准确率。此外，实验结果表明，所提QEKLR模型优于经典ML模型，在Statlog HD数据集上实现了MCC 0.88和AUC-ROC 0.98，显示出强大的分类能力。然而，在Ecoli数据集上，模型性能与现有ML模型相当，表明其在不同数据集上具有平衡性能，同时保持了稳健的分类能力和有效的类别区分。

Keyword:

Quantum computing

QML

Superposition

Entanglement

QEKLR

QEKLR: quantum-enhanced kernel logistic regression for classification

摘要

期刊

机构