量子科技中心_量科网

该研究团队推导出了一个适用于广泛监督任务、数据和模型的量子机器学习紧密泛化边界。这一边界不仅高效可计算，而且摆脱了大O符号的约束。值得注意的是，研究指出以往依赖大O符号的边界可能对泛化误差产生误导性建议。 该泛化边界表明，对于任意规模和深度的量子机器学习模型而言，样本量是决定泛化误差的最主要因素。此外，测量可观测量的谱范数、所选风险函数的边界和利普希茨常数也会影响泛化上界。然而，量子门数量、量子比特数、数据编码方法以及学习过程中选择的超参数（如批次大小、训练周期数、学习率和优化器等）对量子机器学习泛化能力的影响并不显著。 该工作通过分类和回归任务的实验验证了所提出泛化边界的紧密性。更有意义的是，即使在标签完全随机化的情况下，该紧密泛化上界仍然成立。这项研究从根本上澄清了量子机器学习中的泛化问题。