机构名称：
¥ 2.0
基于参数化量子电路的量子机器学习 (QML) 模型经常被誉为量子计算近期“杀手级应用”的候选模型。然而，对这些模型的经验和泛化性能的理解仍处于起步阶段。在本文中，我们研究了如何平衡由 Havl´ıˇcek 等人 [ 1 ] 以及 Schuld 和 Killoran [ 2 ] 提出的两个著名 QML 模型的训练准确度和泛化性能（也称为结构风险最小化）。首先，利用与易于理解的经典模型的关系，我们证明两个模型参数（即图像和的维数和模型使用的可观测量的 Frobenius 范数）密切控制着模型的复杂性，从而控制着其泛化性能。其次，利用受过程层析成像启发的思想，我们证明这些模型参数也密切控制着模型捕捉训练示例集中相关性的能力。总之，我们的结果为 QML 模型的结构风险最小化提供了新的选择。
量子线性分类器的结构风险最小化
主要关键词
相关文件推荐
