对抗鲁棒性量子迁移学习
量子机器学习（QML）通过利用量子计算原理提升经典机器学习系统性能，已成为极具前景的研究领域。然而受限于现有硬件条件（如量子比特数量有限和量子噪声等问题），QML的实际应用仍面临挑战。本章介绍了一种混合量子-经典架构，该架构结合量子计算优势与迁移学习技术，旨在解决高分辨率图像分类问题。具体而言，该研究团队提出了一种量子迁移学习（QTL）模型，将经典卷积特征提取与量子变分电路相结合。通过对蚂蚁蜜蜂数据集、CIFAR-10及道路标志检测等多样化数据集进行大量仿真实验，结果表明：与传统模型及未采用迁移学习的量子模型相比，QTL实现了更优越的分类性能。此外，该工作还探究了模型对对抗攻击的脆弱性，证实融入对抗训练能显著提升QTL的鲁棒性，增强了其在安全敏感场景中的部署潜力。
