量子科技中心_量科网

该研究通过建立量子学习算法期望泛化误差的新上界，推进了对量子学习的理论理解。研究团队借鉴了Caro等人（2024）提出的框架，并引入了一种新的期望真实损失定义。主要贡献在于利用变分方法评估量子Rényi散度，特别是Petz散度和新引入的改进三明治量子Rényi散度，推导了基于量子与经典Rényi散度的泛化界。通过分析和数值实验，研究团队证明了基于改进三明治量子Rényi散度的泛化界在性能上优于基于Petz散度的结果。此外，研究团队还提供了两种不同的概率泛化误差界：一种基于改进三明治量子Rényi散度和经典Rényi散度，另一种则采用平滑最大Rényi散度。