量子科技中心_量科网

从量子数据中学习对传统的数据学习范式提出了新的挑战。这通常需要使用量子学习模型来掌握具有足够微妙特性的量子过程，这些特性足以改变理论学习框架。这一新兴交叉领域需要构建新的复杂度度量框架，包括量子样本复杂度和泛化边界等指标。经验风险最小化（ERM）作为评估学习模型的基础框架，其普适性促使了诸如倾斜经验风险最小化（TERM）等高级学习策略的发展。文献[PRX Quantum 5, 020367 (2024)]首次在量子ERM框架下系统阐述了量子学习的理论体系。该研究团队提出了一种适用于量子过程学习的TERM定义，由此衍生出量子倾斜经验风险最小化（QTERM）方法。研究表明，QTERM可作为量子过程学习中隐式与显式正则化策略的有效替代方案。本工作从三个维度推动了量子与经典学习理论的现有研究：首先，通过推导QTERM样本复杂度的上界，证明了其可学习性；其次，建立了经典TERM的新PAC泛化边界；最后，提出了量子假设选择中QTERM的不可知学习保证。这些成果不仅丰富了量子过程学习可行性相关的复杂度边界理论，还为提升量子学习泛化性能提供了方法论支撑。