量子科技中心_量科网

单类分类（OCC）是机器学习中的一个基础性问题，在异常检测、质量控制等领域具有广泛应用。随着现代数据集复杂度和维度的不断提升，业界对具备更强表达能力和更高效率的先进OCC技术的需求日益增长。该研究团队提出神经量子支持向量数据描述（NQSVDD）——一种实现端到端优化分层表征学习的经典-量子混合OCC框架。该框架通过以下创新实现：将经典神经网络与可训练的量子数据编码器及变分量子电路相结合，使模型能学习针对OCC目标定制的非线性特征变换；通过混合架构将输入数据映射至中间高维特征空间后，进一步投影至量子测量定义的紧凑潜在空间；关键的是，特征嵌入和潜在表征会进行联合优化，使正常数据形成紧密簇群，并通过最小体积包围超球面提供有效决策边界。在基准数据集上的实验表明，相较于经典深度SVDD和量子基线方法，NQSVDD在保持参数效率及现实噪声条件下鲁棒性的同时，获得了具有竞争力或更优的AUC性能。