量子概率标签精炼：提升标签质量以实现稳健图像分类
使用独热标签的softmax交叉熵学习通常会导致预测过于自信，且在噪声或扰动下鲁棒性较差。标签平滑通过均匀重新分配部分置信度来缓解这一问题，但平等对待所有样本，忽略了类内变异性。该研究团队提出了一种混合量子-经典框架，利用量子非确定性将数据标签细化为概率性标签，提供了比标签平滑或贝叶斯方法更细致、更类人的不确定性表示。 变分量子电路（VQC）将输入编码为多量子比特量子态，利用纠缠和叠加来捕捉细微的特征相关性。通过玻恩规则的测量提取反映输入特定不确定性的概率软标签。这些标签随后用于训练经典卷积神经网络（CNN），使用软目标交叉熵损失。在MNIST和Fashion-MNIST数据集上，该方法提高了鲁棒性，在噪声环境下实现了高达50%的准确率提升，同时在干净数据上保持了具有竞争力的准确率。该方法还增强了模型校准和可解释性，因为CNN的输出更好地反映了量子衍生的不确定性。该工作引入了“量子概率标签细化”方法，桥接了量子测量和经典深度学习，通过精细化、相关性感知的标签实现鲁棒训练，无需架构更改或对抗技术。
