量子科技中心_量科网

量子机器学习是一个前景广阔的研究领域，旨在高效学习数据集特征以执行特定任务（如分类）。区间边界传播（IBP）是经典机器学习中一种流行的认证训练方法，该方法在整个模型中追踪下界和上界。这些边界在训练过程中用于确保模型即使在对抗性扰动下也能被认证预测正确标签。尽管IBP在经典领域取得了成功，但在量子领域，认证训练的相关研究仍十分有限。本文提出量子区间边界传播（QIBP），为量子机器学习建立一套认证训练流程，以验证模型在对抗性扰动下的准确性。该工作分别采用区间算术和仿射算术实现QIBP，以探索两种实现方案在准确性及其他设计考量上的权衡。大量评估表明，经过认证训练的模型具有鲁棒的决策边界，能够保证对训练对抗鲁棒性边界内的样本预测正确类别。