量智信息中心_量科网

在金融领域，预测模型必须平衡准确性与可解释性，尤其在信用风险评估中，模型决策会产生实质性影响。该研究团队提出了一种基于单量子比特的量子神经网络（QNN），其数据特征和可训练参数均通过完整李代数生成的统一幺正演化过程实现共编码。该设计在探索整个希尔伯特空间的同时，通过习得系数的大小保持模型可解释性。研究人员使用台湾地区真实世界的不平衡信用风险数据集进行基准测试，所提出的QNN模型在宏观F1分数上持续优于逻辑回归（LR），并达到随机森林模型水平，同时保持了学习参数与输入特征重要性之间的透明对应关系。为量化模型可解释性，该工作引入两项互补指标：（i）模型特征排序与LR排序间的编辑距离；（ii）用噪声替换选定特征的特征污染测试。结果表明，所提出的量子模型在保持竞争力的同时，为可解释量子学习提供了可行路径。