用于自然语言处理情感分类的量子图变换器
量子机器学习是实现更高效、更具表达能力模型的重要方向，尤其在理解复杂结构化数据的关键领域。该研究团队提出量子图注意力转换器（QGT）——一种将量子自注意力机制整合到消息传递框架中的混合图架构，用于结构化语言建模。其注意力机制采用参数化量子电路（PQC）实现，相较于经典注意力机制，该模型在捕捉丰富上下文关系的同时显著减少可训练参数量。研究人员在五个情感分类基准测试中评估QGT，实验结果表明：在包括基于注意力与非注意力方法在内的现有量子自然语言处理（QNLP）模型中，QGT始终能取得更高或相当的准确率。与等效的经典图转换器相比，QGT在真实数据集上平均准确率提升5.42%，在合成数据集上提升4.76%。此外，该模型在Yelp数据集上展现出卓越的样本效率，达到相当性能所需的标注样本量减少近50%。这些成果凸显了基于图的QNLP技术在推动高效、可扩展语言理解方面的潜力。
