编辑推荐：
研究人员提出了一种变分量子分类器，通过振幅编码（amplitude encoding）操作高维深度表示，并由一个可学习的经典预编码层稳定。通过结合归一化振幅嵌入（normalized amplitude embeddings）和有界量子可观测量（bounded
研究人员提出了一种变分量子分类器，通过振幅编码（amplitude encoding）操作高维深度表示，并由一个可学习的经典预编码层稳定。通过结合归一化振幅嵌入（normalized amplitude embeddings）和有界量子可观测量（bounded quantum observables），得到的模型诱导了一个结构化和平滑的假设类，对输入变化具有受控的灵敏度。使用从Cramér–von Mises散度导出的SAFE-AI度量评估模型可靠性，能够在准确性、鲁棒性和可解释性维度上进行一致评估。在单个脑肿瘤MRI分类任务上的实证结果表明，所提出的量子模型与强经典基线相比提供了有竞争力的预测性能，同时表现出更平衡的SAFE可靠性剖面，特别是在对提取的深度特征表示施加扰动时具有特别强的鲁棒性，以及在结构化特征移除下的稳定性。这些发现表明，变分量子电路（Variational Quantum Circuit, VQC）为安全关键环境中的稳定性导向SAFE学习提供了一种原则性机制。
**论文解读：基于变分量子分类器的SAFE机器学习研究**
**研究背景与问题**
在医疗诊断、金融决策等高安全关键领域，机器学习系统的部署日益普遍，但仅追求预测准确率已不足以满足实际需求。模型必须同时具备对输入变化的鲁棒性（robustness）、在特征退化或数据移除下的稳定性（stability），以及可解释性（explainability）。这些需求催生了“安全、准确、公平、可解释”（Secure, Accurate, Fair, and Explainable, SAFE）机器学习的研究范式，其中准确性、鲁棒性和可解释性被视为联合设计目标，而非事后独立评估指标。然而，现代深度学习模型虽然实现了高准确率，但高度的灵活性往往导致其对噪声、分布偏移或结构化特征移除的脆弱性，制约了在安全关键场景中的应用。变分量子电路（Variational Quantum Circuit, VQC）因其固有的酉变换（unitary transformation）性质，天然具备范数保持和输出有界的特点，有望提供一种稳定性导向的替代方案。本研究旨在探索混合量子-经典模型在SAFE学习框架下的可靠性表现，并利用统一度量的SAFE-AI指标进行系统性评估。
**研究内容与结论**
研究人员提出了一种混合经典-量子机器学习框架，用于高维图像分类。该框架结合了ResNet-18深度特征提取与量子机器学习模型（QML），后者包含一个可训练的经典预处理层和一个变分量子分类器（VQC）。通过将标准化后的512维特征向量直接编码到9量子比特的振幅编码（amplitude encoding）状态中，并经由一个强纠缠层（Strongly Entangling Layer）的VQC处理，最终通过测量Pauli-Z算符的期望值得到分类输出。整个模型以端到端方式使用交叉熵损失训练，并利用SAFE-AI度量——基于Cramér–von Mises散度推导出的排名准确率（RGA）、鲁棒性（RGR）和可解释性（RGE）——对模型在准确性、鲁棒性和可解释性三个维度上进行一致性评估。实验基于公开的脑癌MRI数据集（Brain Cancer – MRI Dataset，包含6056张来自孟加拉国多家医院的MRI图像，三类脑肿瘤：脑胶质瘤、脑膜瘤和脑肿瘤），采用5折交叉验证。结果表明，QML的F1-macro分数（0.978±0.004）与最强的经典基线SVM（0.983±0.005）接近，且优于其他基线（线性回归、随机森林、多层感知机）。在鲁棒性方面，QML在加性高斯噪声扰动下获得了最大的平均鲁棒性曲线下面积（AURGR），但在配对折检验中与SVM和MLP的差异未达到统计显著性（5%水平）；在快速梯度符号法（FGSM）对抗性特征扰动下，QML也取得了最高的平均鲁棒性分数。在可解释性方面，随机森林（RF）取得了最高的RGE稳定性，QML处于中等水平。整体SAFE-AI雷达图显示，QML在准确性、鲁棒性（尤其是特征空间扰动）和排名稳定性之间实现了更平衡的表现，而SVM在预测性能和排名稳定性上最优，RF在可解释性上最优。这些发现表明，VQC提供的结构约束（归一化嵌入、酉变换、有界输出）可作为隐式稳定性正则化，使QML在安全关键场景中成为稳定性导向的SAFE学习组件，其价值不在于超越经典模型的峰值准确率，而在于提供紧凑且受控的假设类以支持联合可靠性目标。
**关键技术方法**
研究人员采用的主要技术方法包括：（1）预训练ResNet-18作为特征提取器，输出512维嵌入向量；（2）可训练的经典预处理层（线性变换+GELU非线性）以调整特征分布，适应振幅编码的归纳偏置；（3）振幅编码将归一化后的特征向量映射到9量子比特的量子态；（4）变分量子电路（VQC），包含一个强纠缠层，由参数化单量子比特旋转门（R门，含三个角度参数α, β, γ）和全连接CNOT纠缠门组成；（5）通过测量Pauli-Z算符期望值得到9维量子特征向量，再经经典线性层映射为分类logits。整个混合架构包含约262k可训练参数，训练时使用交叉熵损失，梯度通过经典和量子组件反向传播，量子电路在无噪声量子模拟器上评估。样本队列来源于公开的脑癌MRI数据集（Brain Cancer – MRI Dataset），包含6056张MRI图像，三个肿瘤类别。
**研究结果**
**4.3.1 预测性能（Predictive performance）**
通过5折交叉验证，SVM达到最高平均F1-macro（0.983±0.005）和最低均方误差MSE（0.008±0.002）。QML的F1-macro为0.978±0.004，MSE为0.013±0.003，性能接近SVM并优于线性模型、随机森林和MLP。折间变异性较低，支持QML的稳定性。
**4.3.2 排名准确率（RGA）**
基于Cramér–von Mises散度的RGA度量评估按预测置信度排序后移除数据时的排名准确率下降。当移除少于40%的数据时，所有模型保持接近完美的RGA；超过此阈值后，QML和SVM下降更快，表明对高置信度样本的依赖更强。AURGA（排名准确率曲线下面积）显示SVM最高，QML次之。
**4.3.3 鲁棒性（RGR）**
在加性高斯噪声扰动下，所有模型性能单调下降。QML获得最大平均AURGR，但配对折检验显示与SVM和MLP的差异不显著。在FGSM对抗性特征扰动下，QML在可微分模型中取得最大平均鲁棒性分数。在图像级空间扰动（旋转和平移）下，所有模型保持相对稳定，SVM和MLP的AURGR-Spatial最高。
**4.3.4 可解释性（RGE）**
通过基于Grad-CAM的渐进式图像遮挡（patch occlusion）评估预测稳定性。随机森林（RF）获得最高RGE，QML优于线性模型，在中等遮挡水平下具有竞争力，而线性模型下降最快。
**4.3.5 整体SAFE-AI比较**
雷达图总结各模型优势：SVM在F1-macro、排名稳定性和空间鲁棒性上最强；RF在可解释性稳定性上最强；QML在加性高斯噪声鲁棒性上获得最大平均分数，同时在F1-macro和排名稳定性上保持高水平。QML与MLP（结构相似但参数更多）相比，在多个SAFE维度上表现更平衡，表明VQC提供了稳定性导向的归纳偏置。
**总结与结论**
研究人员在讨论部分指出，VQC的酉变换性质使其内部量子特征表示保持范数不变，且测量输出有界，这为混合模型提供了稳定性导向的归纳偏置，但端到端鲁棒性还依赖于经典预处理和输出层。研究结论部分翻译如下：本文提出了一种混合经典-量子机器学习框架，用于高维图像分类，结合了ResNet-18深度特征提取与量子机器学习模型（QML），该模型包含经典预处理层和变分量子分类器（VQC）。通过将标准化后的512维特征表示直接嵌入所提出的QML流水线，该方法避免了显式降维，从而有效保留了ResNet-18提取的全部特征。为了在标准预测指标之外评估模型性能，研究人员使用SAFE-AI度量对量子模型和经典模型进行了评估，该度量共同量化了准确性、鲁棒性和可解释性。在单个脑肿瘤MRI分类任务上的实证结果揭示了一个细微的性能景观，各模型具有互补优势。特别是，SVM实现了最强的整体预测性能和排名稳定性，而随机森林提供了最高的可解释性稳定性。所提出的QML达到了接近最佳经典基线的F1-macro性能，并在高斯扰动下获得了最大的平均鲁棒性分数，尽管这一优势相对于最强的经典基线在统计上不显著。它还在可微分模型中取得了最大的平均对抗鲁棒性分数。这些结果凸显了其作为SAFE-AI评估框架内稳定性导向替代方案的作用，而非仅仅旨在超越经典方法的预测性能。定性分析进一步表明，QML对典型肿瘤表现产生自信预测，不确定性主要出现在视觉模糊的病例中。这些发现表明，所提出的量子模型的价值不在于超越经典方法在峰值准确率上的表现，而在于提供一个紧凑、结构化的假设类，在随机和对抗性扰动下的高安全关键场景中支持SAFE学习目标。
