量子科技中心_量科网

该研究团队提出了一种几何驱动的量子启发分类框架，该框架整合了相关群结构（CGR）、基于紧凑SWAP测试的重叠度估计以及选择性变分量子决策模型。与直接逼近类别后验概率不同，该方法采用“几何优先”范式，通过重叠度衍生的类欧几里得和角度相似性通道，以类别中心点为基准评估样本。CGR将特征组织成以锚点为中心的相关邻域，生成非线性、相关性加权的表征，从而增强异构表格数据空间的鲁棒性。 这些几何信号通过基于间隔的非概率融合评分进行整合，作为中小型数据集的轻量级且数据高效的主分类器。在心脏病、乳腺癌和葡萄酒品质数据集上，该融合评分分类器分别取得0.8478、0.8881和0.9556的测试准确率，宏观F1分数达0.8463、0.8703和0.9522，相对于经典基线方法展现出具有竞争力的稳定性能。 针对大规模高度不平衡场景，研究人员构建了紧凑型Delta距离对比特征，并训练变分量子分类器（VQC）作为非线性优化层。在信用卡欺诈数据集（阳性率0.17%）上，Delta+VQC组合方案在全数据集评估中实现了约85%的少数类召回率（警报率约1.31%），ROC-AUC达0.9249，PR-AUC为0.3251。这些结果凸显了罕见事件检测中操作点感知评估的重要性，表明所提出的几何-变分混合框架能在异构数据场景下提供可解释、可扩展且适应不同数据范式的分类解决方案。