⏶7
QuXAI：混合量子机器学习模型的解释器
发表
由 
Saikat Barua 提交
Saikat Barua 提交作者: Saikat Barua, 
Mostafizur Rahman, Shehenaz Khaled, 
Md Jafor Sadek, Rafiul Islam, Shahnewaz Siddique
Saikat Barua, Mostafizur Rahman, Shehenaz Khaled, Md Jafor Sadek, Rafiul Islam, Shahnewaz Siddique摘要
混合量子-经典机器学习 (HQML) 模型的出现开辟了计算智能的新视野，但其根本的复杂性经常导致黑箱行为，削弱了其应用中的透明度和可靠性。尽管面向量子系统的可解释人工智能 (XAI) 仍处于起步阶段，但在为采用量子化特征编码后接经典学习的 HQML 架构设计的鲁棒的全局和局部可解释性方法方面，存在一个主要的研究空白。这一空白是本工作的重点，本工作介绍了 QuXAI，这是一个基于 Q-MEDLEY 的框架，Q-MEDLEY 是一个用于解释这些混合系统中特征重要性的解释器。我们的模型涉及创建结合了量子特征映射的 HQML 模型、使用 Q-MEDLEY，Q-MEDLEY 结合了基于特征的推理，同时保留量子变换阶段并可视化所得的归因。我们的结果表明，Q-MEDLEY 能够描绘出 HQML 模型中有影响力的经典方面，并分离它们的噪声，并且在经典验证设置中与成熟的 XAI 技术相比表现良好。消融研究更显著地揭示了 Q-MEDLEY 中使用的复合结构的优点。这项工作的意义至关重要，因为它提供了一条提高 HQML 模型可解释性和可靠性的途径，从而增强信心，并能够更安全、更负责任地使用量子增强型人工智能技术。
评论
Saikat Barua论文作者
论文提交者
🚀 关于内容：
随着量子机器学习 (QML) 的发展，混合量子-经典模型 (HQMLs) 已成为核心。但它们很难解释——通过跨越经典和量子领域的复杂变换来做出决策。本文介绍了 QuXAI，一个旨在使 HQMLs 更具可解释性和可信赖性的框架。其核心是 Q-MEDLEY，一种新颖的解释器，它能在尊重从经典输入到量子编码再到经典学习器的混合数据流的同时，归因全局特征重要性。
🧠 主要贡献：
✅ Q-MEDLEY：一种结合了“列丢弃”(Drop-Column) 和“置换重要性”(Permutation Importance) 的解释器——专为使用量子特征编码的 HQMLs 量身定制。
🧪 完整流程 (QuXAI)：数据准备 → HQML 模型训练 → 解释 → 可视化——所有环节均已适应量子环境。
📊 可视化解释：清晰的特征重要性柱状图可视化帮助研究人员理解关键因素。
🔍 通过与可解释模型（例如决策树）的经典真实情况进行对比评估，验证解释的保真度。
🧪 消融研究证实，交互感知和自适应组件提高了 Q-MEDLEY 的性能。
📌 重要意义：
HQMLs 前景广阔但不够透明。QuXAI 是迈向量子人工智能可信赖、可解释和安全的关键一步。理解量子变换后哪些经典特征驱动着决策，对于调试、建立信任和获取科学洞察至关重要。
🚀 关于内容：
随着量子机器学习 (QML) 的发展，混合量子-经典模型 (HQMLs) 已成为核心。但它们很难解释——通过跨越经典和量子领域的复杂变换来做出决策。本文介绍了 QuXAI，一个旨在使 HQMLs 更具可解释性和可信赖性的框架。其核心是 Q-MEDLEY，一种新颖的解释器，它能在尊重从经典输入到量子编码再到经典学习器的混合数据流的同时，归因全局特征重要性。
🧠 主要贡献：
✅ Q-MEDLEY：一种结合了“列丢弃”(Drop-Column) 和“置换重要性”(Permutation Importance) 的解释器——专为使用量子特征编码的 HQMLs 量身定制。
🧪 完整流程 (QuXAI)：数据准备 → HQML 模型训练 → 解释 → 可视化——所有环节均已适应量子环境。
📊 可视化解释：清晰的特征重要性柱状图可视化帮助研究人员理解关键因素。
🔍 通过与可解释模型（例如决策树）的经典真实情况进行对比评估，验证解释的保真度。
🧪 消融研究证实，交互感知和自适应组件提高了 Q-MEDLEY 的性能。
📌 重要意义：
HQMLs 前景广阔但不够透明。QuXAI 是迈向量子人工智能可信赖、可解释和安全的关键一步。理解量子变换后哪些经典特征驱动着决策，对于调试、建立信任和获取科学洞察至关重要。