量子科技中心_量科网

在有限数据条件下的迁移学习是一个极具挑战性的场景，模型必须在极少的监督信号下适应新任务。以往的研究主要聚焦于提升迁移学习中的绝对准确率。然而，在现实的迁移学习设置中，特别是在低数据量场景下，对量子模型与经典模型进行比较的实证证据仍然十分有限。本研究系统性地探讨了在训练数据缩减情况下量子模型的鲁棒性。该团队评估了多种量子与经典架构在多样化迁移任务及重新训练配置下的表现，并使用准确率下降幅度和相对性能保留率（RPR）来量化鲁棒性。结果表明，尽管经典模型往往能达到更高的峰值性能，但在训练数据受限时，其性能下降幅度显著更大。相比之下，量子模型在不同数据规模下均能维持更稳定的性能，展现出更强的鲁棒性和数据效率。这些发现为量子模型在低资源迁移学习场景中提供更强鲁棒性提供了实证依据。