由于异构特征类型和高维特性，合成真实的表格数据具有挑战性。该研究团队提出QTabGAN——一种用于表格数据合成的混合量子-经典生成对抗框架。该模型专为真实数据稀缺或受隐私限制的场景设计，利用量子电路的强大表达能力学习复杂数据分布，再通过经典神经网络映射至表格特征。研究人员在多个分类和回归数据集上评估QTabGAN，并与前沿生成模型进行基准测试。实验表明，该模型在各类分类数据集和评估指标上最高实现54.07%的性能提升，从而确立了一种可扩展的量子表格数据合成方法，彰显了量子辅助生成建模的潜力。
作者所在地：
VIP可见
作者单位：
VIP可见
页数/图表：
登录可见
提交arXiv：
2026-02-13 08:17
