量子科技中心_量科网

群等变量子模型旨在利用对称性并提升可训练性，但对称性约束如何塑造其对抗鲁棒性仍不明确。研究人员通过在迁移攻击场景下对等变量子模型进行特征层面分析来探讨该问题。在具有不变读出机制的等变条件下，模型预测仅取决于群扭转输入，这标识出模型可获取的对称不变信息及其互补的非信息子空间。将该框架具体应用于旋转等变量子模型时，研究团队推导出跨不同对称扇区的旋转不变图像统计量对可获取信息的显式表征。通过定向输入变换，研究人员确定了多个数据集中分类实际依赖的统计量特征。研究发现，仅凭等变性并不能保证迁移鲁棒性：即使在受限的不变特征空间内，模型仍可能依赖脆弱统计量（尤其是旋转等变模型中环形平均强度这类易受经典迁移攻击影响的特征）。基于此分析，研究表明抑制与脆弱特征相关的对称扇区可显著提升鲁棒性。这些结果为未来量子机器学习模型开发依赖对称性特征的对抗鲁棒性机制建立了系统性方法。