训练健壮且具有通用性的量子模型
原文中文，约500字，阅读约需2分钟。发表于：。本文研究了基于 Lipschitz 界限的量子机器学习中的对抗鲁棒性和泛化性质，导出了适用于具有可训练编码的量子模型的定制参数相关的 Lipschitz 界限，并展示了数据编码的范数对于抵抗输入数据扰动的鲁棒性具有关键影响。此外，我们导出了一个关于泛化误差的界限，明确取决于数据编码的参数。我们的理论发现提供了一种实用的策略，即通过在代价函数中规范化 Lipschitz...
本文研究了基于Lipschitz界限的量子机器学习中的对抗鲁棒性和泛化性质。研究发现，数据编码的范数对于鲁棒性具有关键影响。通过规范化Lipschitz界限来训练鲁棒且具有泛化能力的量子模型是一种实用的策略。数值结果验证了Lipschitz界限的规范化显著提高了量子模型的鲁棒性和泛化能力。
