量子科技中心_量科网

开发抗噪声的量子机器学习（QML）算法对噪声中尺度量子（NISQ）时代至关重要。该工作提出了一种量子装袋框架，其以QMeans聚类作为基础学习器来降低预测方差并增强对标签噪声的鲁棒性。与基于监督学习器的装袋框架不同，该方法利用了QMeans的无监督特性，结合基于QRAM采样的量子自举技术，以及通过多数表决实现的装袋聚合机制。在对含噪声分类和回归任务的大量模拟实验中，该团队证明所提出的量子装袋算法性能与经典KMeans方法相当，同时比监督式装袋方法对标签污染表现出更强的耐受性。这凸显了无监督量子装袋技术在不可靠数据学习中的潜力。