机构名称：
¥ 2.0
在当今被称为噪声中型量子 (NISQ) 的时代，在量子设备中编码大量数据具有挑战性，噪声的影响会严重影响所获得结果的质量。执行量子分类算法的一种可行方法是引入一个众所周知的机器学习范式，即集成方法。事实上，集成结合了多个内部分类器，由于用于训练的数据子集较小，这些分类器的特点是紧凑，以实现更准确和稳健的预测性能。通过这种方式，可以减少相对于单个较大分类器的量子比特要求，同时实现相当或改进的性能。在这项工作中，我们提出了一种实现方法和广泛的实证评估，用于二元分类的基于量子实例的分类器集成，目的是深入了解它们的有效性、局限性以及提高基本量子模型性能的潜力。特别是，这里考虑了三种经典的集成方法和三种基于量子实例的分类器。因此，已实施的方案（使用 Python）具有混合性质。结果（在真实数据集上获得）表明，集成技术相对于单个量子分类器具有准确性优势，并且鲁棒性也有所提高。事实上，事实证明，集成不仅可以有效缓解不合适的数据规范化，还可以减少噪声对量子分类器的影响，从而提高其稳定性。
量子分类器集合
主要关键词
相关文件推荐
