arXiv cs.AI· Utsav Poudel, Anuj Nepal, Vyas Viswanath, Subramaniyaswamy Vairavasundaram·· 2 天前AI 评分21
量子与经典机器学习在神经精神疾病分类中的对比：一项特征匹配的多队列评估
Quantum Versus Classical Machine Learning for Neuropsychiatric Disorders: A Feature-Matched Multi-Cohort Evaluation
AI 导读
研究在四个公开队列（4,308 名受试者）上以相同相关性特征对比六类量子模型与经典模型，量子核与匹配经典核在四个队列上均无统计显著差异，平均准确率差距在 95% 置信度下不超过 1.4 个百分点。
正文 · AI 翻译
摘要：静息态功能连接被广泛用于基于机器学习的神经精神疾病分类。量子机器学习模型已被提出用于功能连接数据，但很少有研究在留站点验证（leave-site-out validation）下或与匹配的经典模型进行对比评估。我们使用相同的相关性衍生特征，在四个公共队列（4,308 名受试者）中比较了六个量子模型家族与经典模型。对自闭症脑影像数据交换（ABIDE I）、ADHD-200（注意缺陷/多动障碍）和 REST-meta-MDD（重性抑郁障碍）队列采用留站点验证，而 UCLA 神经精神表型联盟（UCLA-CNP）则采用分层 10 折交叉验证进行评估。量子核在所有四个队列中与匹配的经典核在统计上无法区分，平均准确率差异在 95% 置信度下不超过 1.4 个百分点。在 ABIDE I 上，混合量子卷积网络达到了与其经典对应模型相似的准确率（0.645 对 0.641），而可训练量子核的曲线下面积（AUC）比其经典对应模型高出 0.064。量子卷积网络在该队列上的 AUC 也高于其匹配的经典网络，并在所有四个队列上显示出更小的训练-测试差距，但没有准确率提升。总体而言，大多数量子模型与其经典对应模型相当，但没有一个持续优于它们。本研究是首批在留站点验证下对 ABIDE I 进行量子评估的研究之一，提供了包含 284 项匹配比较的量子与经典模型的特征匹配基准。我们进一步分析了基于保真度的图构建，并通过有效维度和特征谱分析解释了所观察到的量子-经典持平现象。
| 评论： | 19 页，10 幅图，7 张表。已提交至 IEEE。代码和逐折结果：此 https URL |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.21344 [cs.AI] |
| （或 arXiv:2610.21344v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21344 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Utsav Poudel [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 06:28:10 UTC（6,336 KB）
来源：arXiv cs.AI · arxiv.org