量子科技中心_量科网

量子机器学习已成为学习复杂数据模式的前沿研究领域。然而，现有大多数量子特征映射采用固定的编码策略，未明确考虑数据集中特征之间的关联。该研究提出了一种关联感知量子特征映射（CAQFM），将特征依赖关系整合到量子编码过程中。该方法利用皮尔逊相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数、互信息和距离相关性度量来识别特征间的关联。超过预设阈值的依赖关系通过受控量子门融入量子电路，从而构建更丰富、更能反映数据内在结构的量子表示。该方法使用变分量子分类器（VQC）在三个基准数据集（乳腺癌诊断、信用违约预测和学生就业分类）上进行评估。仿真结果表明，基于关联的量子编码相较于传统编码策略能提升分类性能。特别地，基于斯皮尔曼和肯德尔相关系数的CAQFM变体取得了最高的预测性能，并始终优于标准量子特征映射。研究结果表明，将经典数据中的依赖信息融入量子特征映射有助于生成更具判别力的量子表示，并增强变分量子分类器的有效性。