面向真实恶意软件信标数据的Pareto最优量子核选择
作者提出一种无监督多目标协议，同时优化归一化伪差异（NPD）和相对调优经典核的几何差异，并用Pareto前沿选择异常检测模型。研究在真实网络流量、模拟器和IQM的20量子比特Garnet处理器上测试：Pareto选出的投影量子核AUC为0.782，高于经典基线的0.765，但低于NPD选出的保真度核的0.840。
动态展示门槛：AI 前沿与应用 ≥ 70 分，量子方向 ≥ 62 分；已确认精选照常展示。
#量子机器学习
arXiv · quant-ph
arXiv · quant-ph 线性阈值函数学习的三种快速量子算法
作者提出三种线性阈值函数量子学习算法，并分别基于实数域成员查询、齐次函数的隐藏支持集和高斯量子样本访问模型给出查询复杂度。
arXiv · quant-ph 量子储备池计算在混沌边缘优势的理论解释
作者建立量子储备池计算模型，理论分析混沌区与可积点对时间学习任务的限制。摘要报告，混沌区的高斯酉系综统计会导致记忆快速损失，而可积自由费米子模型中的振幅编码和费米子两点关联线性读出无法学习一类耦合当前与过去输入的非线性任务；引入相互作用可缓解这一障碍。
arXiv · quant-ph Zhen Qin 等研究 Transformer 神经量子态的上下文学习泛化
Zhen Qin、Qing Qu 和 Alfred O. Hero 建立了一个分析 Transformer 神经量子态上下文学习泛化性质的理论框架。
arXiv · quant-ph 量子注意力中的归一化会改变鲁棒性消融结果
Friedewald等人指出，移除输入缩放模块会同时改变分类器和编码器受到的扰动；在四量子比特量子注意力检测器中，固定物理攻击预算时缩放模块似乎有益，但匹配编码器扰动上界后结论反转。基于十个种子、精确模拟和合成数据的实验还显示，测试扰动可能破坏标签保持性，重训线性分类层虽能恢复检测率但会改变预测，因此比较结果目前是描述性的而非因果性的。
arXiv · quant-ph 傅里叶对称化改善几何量子机器学习模型的表达性
Letao Wang 等研究傅里叶对称化如何塑造量子 Fourier 模型（QFM）的表达性，并针对单层 QFM 的近似 2-design 训练层给出偏差界。
arXiv · quant-ph Juntai Zhou 与 Felix Leditzky 提出量子态判别样本复杂度混合时间方法
Juntai Zhou 和 Felix Leditzky 提出一种混合时间方法，用于估计量子态判别的样本复杂度，并证明几何均匀纯态集在量子同质混合时间与广义 Dobrushin 系数下具有紧估计。
arXiv · quant-ph精选 论文提出超越 Grover 与 Bernstein–Vazirani 范式的精确学习量子—经典查询复杂度分离
作者研究概念类精确学习中的确定性、随机化和量子成员查询复杂度，并构造概念类反驳长期猜想：随机查询复杂度的一个下界达到 ，另一个确定性查询复杂度下界达到 。摘要称，这两个界分别与既有上界在常数因子外相匹配，表明随机化在随机查询上界中起关键作用，并首次表明量子学习加速可以超越 Grover 和 Bernstein–Vazirani 范式。
本站判断：基于论文摘要，作者通过构造概念类反驳了随机查询复杂度相对量子查询复杂度的长期猜想，并给出随机化与确定性查询复杂度的分离下界。材料强调这些结果将经典—量子学习分离扩展到 Grover 和 Bernstein–Vazirani 范式之外，但仅凭摘要无法核验证明细节、实验设置或经典查询模型的实际应用影响。