量子科技中心_量科网

机器学习中的集成方法旨在通过组合多个模型来提高预测精度。其核心在于确保预测器之间的多样性，以捕捉数据的不同特性。同质集成使用相同模型架构，通过不同数据子集实现多样性；加权平均集成则通过权重学习过程赋予高精度模型更大影响力。该团队提出了一种基于量子分类器的加权同质量子集成方法，该方法利用索引寄存器进行数据编码。该量子方案基于实例型分类器架构，通过量子叠加态和控制门实现特征及训练点子采样，并借助量子并行性在叠加态中同时执行具有不同数据组合的多样性内部分类器。该集成方案包含电路执行与经典权重优化的联合学习过程，最终在测试阶段将训练后的权重编码至量子电路执行。实证评估验证了该方法的有效性，并揭示了其性能特征。