8量子比特变分线路医学图像分类抗标签噪声研究

Yasoda Lasiru Ariyarathna Epa 等作者在 arXiv:2610.16153 发布论文（基于论文摘要），研究变分量子电路能否从架构上提升医学图像分类对标签噪声的鲁棒性。模型将冻结的 ImageNet 预训练 ViT-B/16 主干接到可训练线性瓶颈和 8 量子比特变分量子电路上，处理 224×224 RGB 医学图像。 作者称，在干净标签下该模型在六个 MedMNISTv2 基准中的五个优于已发表的混合量子-经典模型，其中 BloodMNIST 和 PathMNIST 分别领先 17.4 和 15.7 个百分点。噪声实验中，与共享主干、瓶颈、参数量和优化器、仅把电路换成 ReLU 层的对照相比，模型在 PathMNIST 50% 标签噪声下保持 89.75% 准确率，而对照降至 78.96%。 上述结果均来自作者论文摘要的声称，尚属单一研究，未见独立复验。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。