相互作用即干涉：一种面向分类的量子启发式聚合方法

《Mathematics》：Interaction as Interference: A Quantum-Inspired Aggregation Approach for Classification

　　

经典方法常将交互视为工程化的乘积项或灵活模型中涌现的模式，对协同（synergy）或拮抗（antagonism）如何产生缺乏可控机制。研究人员采取量子启发视角：遵循Born规则（概率为正幅值平方），相干（coherent）聚合在平方前对复振幅求和，产生干涉交叉项；而非相干（incoherent）代理对平方幅值求和并消去该交叉项。将输入贡献表示为复振幅，振幅间相对相位调制该交叉项的符号与大小，从而从机制层面解释协同与拮抗。在2×2设计这一最简特征交互设定下，该交叉项恰等于标准交互对比ΔINT，可解释为随机分配下的潜在结果交互测度。研究人员将其实例化为轻量级干涉核分类器（Interference Kernel Classifier, IKC），并提出两个诊断量：相干增益（Coherent Gain，相干聚合相对非相干代理的对数似然增益）与干涉信息（Interference Information，诱导的Kullback–Leibler间隙）。受控相位扫描复原该恒等式。在高交互合成任务（XOR）上，预算配对的IKC预测性能密切匹配所评估经典基线；在真实表格数据上其竞争性依赖数据集，在Adult上落后于最佳基线而在Bank Marketing上超越之。在固定学习参数的相干–非相干消融中，移除相干交叉项使两数据集的负对数似然、Brier分数与期望校准误差均退化，且相干增益为正。该量子启发方法为概率分类中特征交互的建模与诊断提供了可解释机制。

研究背景与动机：特征交互建模是分类任务的核心挑战，现有框架存在三方面不足。统计学中交互常被当作回归里的临时乘积项，仅描述现象而未解释生成机制；经典信息度量（如互信息）能量化统计依赖，却无法区分协同与冗余或编码交互符号；灵活模型（如树集成、深度网络）可隐式恢复交互，但符号与大小不受单一可解释机制控制，也难以判断预测器是否真依赖交互生成机制。量子理论的基础原则Born规则指出可观测量概率为振幅平方，相干（相位敏感）聚合自然产生可放大或衰减结果概率的干涉交叉项。研究人员由此提出：交互的起源不在额外乘积项，而在输入贡献的聚合规则中——将交互重构为Born意义下相干聚合的推论，类比波叠加（对齐放大即协同，错位抵消即拮抗）。

《Mathematics》刊载的该文据此开展概念、方法与实证三层研究。研究人员形式化交互为相位敏感聚合规则的性质，在实用分类器干涉核分类器（IKC）中实例化，并引入相干增益（G_CG）与干涉信息（I_II，条件分布间KL散度）两个诊断指标。核心结论包括：在2×2最小振幅线性模型中，干涉交叉项精确等于潜在结果交互对比Δ_INT，相对相位连续调控协同/拮抗的符号与幅度；IKC在XOR上预算配对性能匹配经典基线，在Adult/Bank Marketing上竞争性数据集依赖；固定参数下相干→非相干切换一致劣化似然与校准，证实所学解依赖相干交叉项。意义在于提供不宣称量子优势、纯经典实现的机制级可解释交互建模与诊断工具包。

主要关键技术方法（≤250字）：研究人员采用四类实验推进理论到实践。E1在2×2合成设计上做相位扫描，固定幅值扫相对相位φ∈[0,2π)、每格伯努利抽样估计Δ_INT与交叉项验证恒等式；E2在XOR合成数据（二值独立输入、5%对称标签噪声、n=20000、固定测试集3000）上以预算匹配随机超参搜索比较IKC与含交互项逻辑回归、无交叉积二次逻辑回归、XGBoost；E3在UCI的Adult（收入>50K）与Bank Marketing（定期存款订阅，排除duration）真实表格集上做仅训练集对称标签噪声（0–30%）鲁棒性评估，预处理含众数填补、独热、标准化，锚定基线按验证NLL选取，温度缩放（TS）带安全开关；E4对同组IKC训练参数做相干/非相干只读消融，由原始概率算G_CG与I_II。优化用Adam与L2权重衰减，指标含NLL、Brier、ECE及符号翻转检验。

研究结果：

E1相位扫描示证干涉–交互恒等式：在2×2最小振幅线性模型（ψ=a+b·e^iφ）中扫121个相位点，经验插件估计Δ?_INT紧密跟踪理论2ab·sinφ曲线；φ=0/π时CI含零，φ=π/2时理论2ab、观测吻合且CI排零。结论：干涉交叉项代数恒等于潜在结果交互对比，相对相位是几何可调机制。

E2与经典基线在XOR对比：配对（IKC?最佳基线）NLL/Brier各种子均略偏基线，但绝对水平接近贝叶斯最优0.501 nats（IKC均0.503、基线0.502），准确率同98%；缺交互项Quadratic基线停留随机似然0.693。IKC原始概率诊断G_CG=0.041±0.001、I_II=0.082±0.001（p<10^-4），去掉相干项损0.041 nats/样本，远大于对外NLL差0.001。结论：无手工交互特征时IKC表示充分性匹敌含交互逻辑回归与 boosting，且内部依赖相干交叉项。

E3真实表格与噪声鲁棒性：Adult上IKC全噪声率NLLΔ正（0%时+0.018、30%时+0.011，p=1/2ⁿ），Brier同趋势，ECE正但较小，3种子常数0.5预测不影响方向；Bank上IKC全噪声率占优（0% NLLΔ=?0.009 p<10^-4，30%时?0.054、约六倍增幅），Brier/ECE同向。原始与TS后符号不变。结论：竞争性数据集依赖，Bank随噪声扩大优势、Adult劣势收窄不闭合，单数据集无关噪声容忍不成立。

E4相干vs非相干消融：同参数双模式，Adult NLLΔ=?0.015（p最小）、Bank=?0.021；Brier/ECE皆优相干。原始G_CG Adult=0.012、Bank=0.017，I_II Adult=0.024、Bank=0.033，CI排零。结论：所学IKC解在给定表示内实质依赖相干交叉项，非仅预测相似。

讨论部分总结：研究人员指出相位相干聚合把交互从残差重框为几何自由度（相对相位），IKC数学等价于秩≤2类内归一化二次概率分类器，复杂参数化价值在使交叉项符号可由cosφ直接读出并直连Δ_INT。适用域为交互主导场景（基因组上位、药药组合、多传感器融合、互补替代选择），可用小因子子样本估Δ_INT做先验筛选、再用验证集G_CG后置确认。真实数据分化源于低秩线性振幅图容量有限——Adult非线性主效应强利于树集成，Bank上相干偏置足够。局限含仅二分类表格、仅训练对称标签噪声、独热高维利好树模、E4为固定参数只读并非独立训练比较、未做互信息分解。未来方向为高秩/非线性振幅图在保相位可读性与容量间权衡、多类与分布漂移评测。

结论部分翻译：研究人员将特征交互以量子启发方式重框为基于振幅相位敏感相加的聚合规则性质。在最小振幅线性模型中，潜在结果对比Δ_INT等于干涉交叉项2ab·sinφ，使相对相位成为协同/拮抗的几何控制器。该原理被实例化为轻量IKC，并引入相干增益G_CG与干涉信息I_II两诊断量以量化相干相对非相干代理的边际价值。实证上相位扫描示证恒等式，XOR显示IKC无手工交互特征即匹配所评估交互能力基线，固定参数相干–非相干切换显示所学IKC解实质依赖相干交叉项。真实表格上相对高容量基线的数据集依赖差距与当前低秩表示局限一致，而正向相干诊断表明所学解仍大量使用相干聚合机制。前瞻而言，实用取舍是将相干作为可解释模块保留聚合规则、配以更高秩或非线性振幅或强提取器上的相干头；更广评估（多类、分布漂移、对抗鲁棒）及与信息论协同概念联结可进一步澄清相位相干建模何时奏效。