多クラス量子分類における可観測集合に関する経験的研究

arXiv:2602.08485v1 Announce Type: cross 要約：変分量子アルゴリズムは、学習タスクにおける量子コンピュータの初期応用として注目を集めています。監督学習の文脈において、パラメータ化された量子回路を用いて分類問題を扱った多くの研究は、その対象を二値分類に限定するか、二値分類器のアンサンブル（例えば、1 対の rest）を用いた多クラス分類を実施しています。一方で、ネイティブ的多クラスモデルを提案したごく一部の研究では、分類を遂行する可観測選択の正当性が立証されていません。本研究は、多クラス量子機械学習における 2 つの主な分類基準を調査します：クラスを表象する可観測の期待値を最大化するか、クラスを表象する参照量子状態とのエンコード量子状態の忠実度を最大化するか。両アプローチを比較するため、量子機械学習モデルの可観測としてパウリ文字列の集合と計算基底への射算子集合が選択されました。各モデルタイプの経験的振る舞いを観察し、バーレン・プレートaus とニューラル・コラプスの文脈において、異なる可観測集合の選択が量子機械学習モデルのパフォーマンスに与える影響を分析しました。これらの結果は、将来的多クラス量子機械学習モデルの設計に道指す洞察を提供します。

arXiv:2602.08485v1 Announce Type: cross Abstract: Variational quantum algorithms have gained attention as early applications of quantum computers for learning tasks. In the context of supervised learning, most of the works that tackle classification problems with parameterized quantum circuits constrain their scope to the setting of binary classification or perform multiclass classification via ensembles of binary classifiers (strategies such as one versus rest). Those few works that propose native multiclass models, however, do not justify the choice of observables that perform the classification. This work studies two main classification criteria in multiclass quantum machine learning: maximizing the expected value of an observable representing a class or maximizing the fidelity of the encoded quantum state with a reference state representing a class. To compare both approaches, sets of Pauli strings and sets of projectors into the computational basis are chosen as observables in the quantum machine learning models. Observing the empirical behavior of each model type, the effect of different observable set choices on the performance of quantum machine learning models is analyzed in the context of Barren Plateaus and Neural Collapse. The results provide insights that may guide the design of future multiclass quantum machine learning models.