量子科技中心_量科网

机器遗忘旨在无需完全重新训练的情况下，从已学习模型中消除特定训练数据的影响。尽管近期研究开始探索量子机器学习中的遗忘机制，现有方法主要依赖固定、统一的目标分布，且未明确控制遗忘与保留模型行为之间的权衡。本工作提出了一种基于分布引导的类级别量子机器遗忘框架，将遗忘视为约束优化问题。该方法引入一种可调节的目标分布（源自模型相似性统计量），将遗忘类置信度的抑制与保留类间重新分布的假设解耦。研究人员进一步设计基于锚点的保留约束，明确维持对选定保留数据的预测行为，从而形成受控的优化轨迹以限制与原模型的偏差。该团队在鸢尾花和森林覆盖类型数据集训练的变分量子分类器上评估该方法。结果显示：相比统一目标遗忘，该方法能显著抑制遗忘类置信度，使保留类性能损失最小化，并与黄金重训练模型基线更吻合。这些发现证实了目标设计和基于约束的建模对实现可靠、可解释量子机器遗忘的重要性。