量子科技中心_量科网

向量量化（VQ）是机器学习和数据压缩领域广泛使用的技术，其简单性和可解释性备受推崇。在硬VQ方法中，k-medoids聚类与核密度估计（KDE）方法代表了两个重要却看似无关的范式——前者基于距离度量，后者植根于概率密度匹配。本研究通过二次无约束二进制优化（QUBO）框架探索二者关联，对比了兼顾中心性与多样性的k-medoids启发式QUBO模型，与基于KDE-VQ最小化最大均值差异推导的原理性QUBO模型。有趣的是，研究证明在核特征映射的温和假设条件下，KDE-QUBO可视为k-medoids-QUBO的特例。这一发现揭示了两种方法间更深层的结构关联，并为VQ中QUBO模型权重参数的几何解释提供了新见解。