量子科技中心_量科网

本论文提出了一种基于图的半监督学习混合量子方法，旨在提升标签数据稀缺场景下的性能表现。研究团队开发了两种增强型量子模型——改进拉普拉斯量子半监督学习（ILQSSL）和改进泊松量子半监督学习（IPQSSL），通过在变分量子电路中融入先进的标签传播策略，利用QR分解将图结构直接编码至量子态，从而在低标签环境下实现更有效的学习。该工作基于鸢尾花、葡萄酒、心脏病和德国信用卡四个基准数据集验证表明，ILQSSL与IPQSSL在有限监督条件下均能稳定超越主流经典半监督学习算法。除标准性能指标外，研究人员通过分析纠缠熵和随机基准测试（RB），深入探究了电路深度和量子比特数量对学习质量的影响。结果显示：虽然适度纠缠可提升模型泛化能力，但当前量子硬件上增加的电路复杂度可能引入噪声进而损害性能。该研究凸显了量子增强模型在半监督学习中的应用潜力，为平衡量子电路表达能力与稳定性的设计提供了实践指导，这些发现有力印证了量子机器学习在提升数据高效分类方面的价值，尤其适用于受标签获取和硬件限制约束的应用场景。