跳到正文
arXiv cs.AI· Junqi Wang, Junyu Liu·· 4 小时前AI 评分18

用 QSP 构建可解的表征学习量子模型:精确核统计与可证明训练动力学

Representation Learning with Quantum Signal Processing

AI 导读

研究者将量子信号处理(QSP)确立为表征学习机制的可解量子模型,在任意深度下精确计算其量子神经正切核的均值与方差,发现对角项即使底层酉变换趋近 Haar 随机仍不自我平均。该工作进一步在无需冻结或集成平均核的情况下,为完整非线性梯度流证明稀疏数据保证,动力学收敛到带时变核闭包的标量流并给出显式收敛时间,同时存在有限深度速度上限。数值结果显示更高数据密度下出现超出标量流与冻结核描述的耦合演化。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:表征学习始于训练改变定义数据间相似性的特征。冻结核模型仅对固定几何进行重新加权。我们将量子信号处理(QSP)确立为表征学习机制的一个可解量子模型。在任意深度下,我们计算其量子神经正切核的精确均值和方差,揭示出一种依赖于输入的角度几何,即使底层酉变换趋近于 Haar 随机性,其对角线仍保持非自平均性。我们还证明了完整非线性梯度流的稀疏数据保证,无需冻结或对核进行系综平均:实际实现的动力学收敛到一个可积的标量流,具有时间相关的核闭合和显式收敛时间。有限深度速度限制对每个数据集和轨迹都成立。在更高的数据密度下,数值结果显示超出标量描述和冻结核描述的耦合演化。这些结果为学习到的量子数据几何提供了受控理论,并具有超越冻结极限的可证明训练动力学。
评论: 7 页,2 幅图(包括 End Matter);16 页补充材料,含 1 幅图。v2 改进了表述并扩充了补充材料中的证明细节
主题: 量子物理(quant-ph);人工智能(cs.AI);机器学习(cs.LG);机器学习(stat.ML)
引用为: arXiv:2608.28828 [quant-ph]
  (或 arXiv:2608.28828v2 [quant-ph] 用于此版本)
  https://doi.org/10.48550/arXiv.2608.28828

arXiv 颁发的 DOI 通过 DataCite

提交历史

来自:Junqi Wang [查看邮箱]
[v1] 2026年8月28日星期五 19:57:26 UTC(89 KB)
[v2] 2026年11月16日星期一 23:58:59 UTC(98 KB)

来源:arXiv cs.AI · arxiv.org