HQxDeepFM, qadın yönümlü geyilə bilən cihaz və telefon/saat xidmətlərində icazə verilən fizioloji, kontekstual, cihaz, xidmət tarixçəsi və istifadəçi səlahiyyətləndirməsi xüsusiyyətlərini birlikdə emal etmək üçün hazırlanmış, məxfilik və səs-küy fərqindəliyi daşıyan hibrid kvant-klassik xüsusiyyət qarşılıqlı təsir modelidir. Model xDeepFM-in aşağı dərəcəli təsirlər, açıq yüksək dərəcəli qarşılıqlı təsirlər və gizli qeyri-xətti təsvirlər şəklindəki funksional bölgüsünü qoruyur; lakin klassik Linear, CIN və DNN qollarını müvafiq olaraq QLinear, QCIN və QDNN adlı dayaz variasiyalı kvant dövrəsi (Variational Quantum Circuit, VQC) əsaslı qollarla əvəz edir. Bu qollar Pauli-Z gözlənilən qiymətlərini ölçülmüş xüsusiyyət təsvirləri kimi yaradır və çıxışlar yüngül klassik füzyon başlığında birləşdirilir.
Tədqiqat üç açıq məlumat dəsti üzərində qiymətləndirmə aparır: Menstrual Sleep-Wake (MSW) qadınlara xas ağıllı saat dəstəkli menstrual sikl xidmət pəncərəsi tapşırığını; WESAD geyilə bilən stress/affekt dəstəyini; ExtraSensory isə telefon və saat əsaslı kontekst tanınmasını təmsil edir. Əsas təcrübələr identiklik sızmasını azaltmaq üçün MSW-də iştirakçı-ayrılmış, WESAD-da subyekt-ayrılmış və ExtraSensory-də istifadəçi-ayrılmış beşqat doğrulamadan istifadə edir. Bundan əlavə, xüsusiyyət qruplarının siyasət tələbinə görə istifadə oluna bilmədiyi hallar, çatışmayan sensorlar, qol ablasiyaları, 2–8 kubitlik VQC tutumu, 2/4/6 dövrə dərinliyi və faza sönümlənməsi, amplituda sönümlənməsi ilə depolyarizasiya səs-küy kanalları araşdırılır.
Beş qatın ortalamalarında HQxDeepFMEM MSW üçün AUC 0,712 və Macro-F1 0,629; WESAD üçün AUC 0,910 və Macro-F1 0,838; ExtraSensory üçün AUC 0,818 və Macro-F1 0,773 nəticələrini verir. Eyni cədvəldə ən güclü klassik müqayisələrin AUC qiymətləri müvafiq olaraq 0,699, 0,898 və 0,806 səviyyəsindədir. Buna görə tədqiqat təklif olunan hibrid quruluşun qiymətləndirilən tapşırıqlarda kiçik, lakin ardıcıl orta performans artımı və daha əlverişli dəqiqlik–öyrədilə bilən parametr balansı təmin etdiyini irəli sürür. Lakin tədqiqat preprintdir; statistik əhəmiyyətlilik testi, real kvant avadanlığı üzərində doğrulama, klinik təsir, real istifadəçi qəbulu və ya cihaz üzərində enerji/gecikmə ölçümü təqdim etmir. Buna görə nəticələr real dünyadakı qadın sağlamlığı xidmətlərinə birbaşa klinik üstünlük kimi ümumiləşdirilməməlidir.
Tədqiqat problemi niyə yalnız “daha yüksək proqnoz dəqiqliyi” deyil?
Geyilə bilən sağlamlıq və rifah xidmətlərində model girişləri sabit olmaya bilər. İstifadəçi bəzi məlumatları paylaşmaya bilər, sensor həmin anda işləməyə bilər, tətbiq siyasəti müəyyən xüsusiyyətin istifadəsinə icazə verməyə bilər və ya cihaz konteksti dəyişə bilər. Buna görə tədqiqatın əsas problemi yalnız çoxsaylı xüsusiyyətləri birləşdirib təsnifat aparmaq deyil; yalnız icazə verilən xüsusiyyət qrupları ilə işləyə bilən, çatışmayan girişlər altında davranışı izlənilə bilən və model ölçüsü nisbətən yığcam saxlanılan qərar qatı qurmaqdır.
Mənbə bu problemi xüsusilə qadın yönümlü xidmət ssenarilərində nəzərdən keçirir. Menstrual sikl dəstəyi kimi xidmət pəncərəsi yuxu vaxtlaması, yuxu müddəti, ritm müntəzəmliyi, bazal bədən temperaturuna əsaslanan göstəricilər, sikl vaxtlaması, istəyə bağlı öz-bildirimlər və giriş siyasəti kimi sahələrin birgə qiymətləndirilməsini tələb edə bilər. Bununla belə, modelin səhiyyə işçisinin, klinik diaqnozun və ya tətbiq siyasətinin yerini aldığı iddia edilmir; model siyasət qatından sonra işləyən qərar-dəstəyi komponenti kimi mövqeləndirilir.
HQxDeepFM Nədir və xDeepFM-dən Necə Fərqlənir?
HQxDeepFM, xDeepFM-in üç əsas funksiyasını qoruyaraq bu funksiyaların hər birini ayrıca dayaz variasiyalı kvant dövrəsi ilə təmsil edən hibrid arxitekturadır: QLinear aşağı dərəcəli təsirləri, QCIN açıq çarpaz-sahə qarşılıqlı təsirlərini, QDNN isə gizli qeyri-xətti təsvirləri emal edir; üç qolun Pauli-Z gözlənilən xüsusiyyətləri daha sonra klassik füzyon başlığında birləşdirilir.
xDeepFM-də Linear qolu tək/aşağı dərəcəli töhfələri, Compressed Interaction Network (CIN) açıq yüksək dərəcəli xüsusiyyət qarşılıqlı təsirlərini, dərin neyron şəbəkəsi (DNN) isə gizli qarşılıqlı təsirləri təmsil edir. HQxDeepFM-in dizayn seçimi bütün modelə tək bir “kvant qatı” əlavə etmək əvəzinə bu üç funksiyanın hər birinə rola uyğun VQC yerləşdirməkdir. Beləliklə, tədqiqatçılar performans dəyişəndə hansı funksional qolun töhfəsinin daha mühüm olduğunu ablasiyaya ayrıca nəzərdən keçirə bilirlər.
Məxfilik sərhədinin riyazi əsası
Tənlik (1) tək bir xidmət nümunəsinin beş xüsusiyyət qrupundan ibarət olduğunu müəyyən edir: \(x^w\) geyilə bilən fiziologiya; \(x^c\) kontekst və ya cihaz vəziyyəti; \(x^s\) öz-bildirim və ya simptom sahələri; \(x^h\) xidmət tarixçəsi; \(x^a\) isə əlçatanlıq/siyasət göstəriciləridir. Bu ifadə performans tənliyi deyil, məlumatın hansı semantik qruplara ayrıldığını göstərən giriş tərifidir. Dəyişənlər birbaşa fiziki vahidə malik ayrı-ayrı ölçmələr olmaq məcburiyyətində deyil; hər qrup bir neçə miqyaslanmış və ya embedding edilmiş xüsusiyyət ehtiva edə bilər.
Tənlik (2)-də \(g\), xüsusiyyət qrupu səviyyəsində ikili əlçatanlıq vektorudur. Bir qrup üçün \(g=1\) olduqda qrup modelə ötürülür; \(g=0\) olduqda müvafiq qrup istifadəçi seçimi, tətbiq siyasəti və ya sensorun olmaması səbəbindən maskalanır. Riyazi olaraq bu, qrupun model girişinə töhfəsini sıfırlayır. Elmi mənası “məxfilik” anlayışını abstrakt etik etiket kimi saxlamaq əvəzinə eksperimental olaraq idarə olunan xüsusiyyət giriş şərtinə çevirməsidir. Lakin bu maska real istifadəçi razılığının sosioloji və ya hüquqi bütövlüyünü modelləşdirmir; tədqiqatda eksperimental şərt kimi tətbiq edilir.
Tənlik (3), maskalanmış giriş \(\tilde{x}\) və öyrənilə bilən parametrlər \(\Theta\) verildikdə hədəf sinfin ehtimalını müəyyən edir. \(y\) “dəstək pəncərəsi” və ya “xidmət-hazırlığı” etiketi; \(\hat{y}\) isə modelin proqnozudur. Bu ehtimal klinik risk ehtimalı kimi şərh edilməməlidir; məlumat dəstinə görə müəyyən edilmiş təsnifat hədəfinin model çıxışıdır.
Məxfilik Sərhədi Modelin Girişlərinə Necə Tətbiq Olunur?
Tədqiqatda məxfilik sərhədi xüsusiyyətləri sonradan bir-bir silməkdən daha çox fiziologiya, kontekst/cihaz, öz-bildirim, xidmət tarixçəsi və giriş siyasəti kimi qruplara ayıraraq qrup səviyyəsində ikili icazə vektoru ilə maskalama yolu ilə tətbiq olunur; beləliklə model istifadə oluna bilməyən qrupun əvəzinə qalan səlahiyyətli qruplardan qarşılıqlı təsir öyrənməyə məcbur olur.
Bu yanaşma eyni zamanda “çatışmayan sensor” təcrübəsini də ümumi çərçivədə araşdırmağa imkan verir. Tədqiqatçılar tam xüsusiyyət vəziyyəti ilə müəyyən qrupların mərhələli şəkildə saxlandığı şərtləri müqayisə edir və AUC-nin nə qədərinin qorunduğunu ölçürlər. Beləliklə model yalnız yüksək tam-məlumat performansına görə deyil, məlumat girişinin məhdudlaşdırıldığı şərtlərdəki nisbi dayanıqlılığına görə də qiymətləndirilir.
Variasiyalı kvant dövrəsi qolu necə xüsusiyyət yaradır?
Tənlik (4), hər bir \(q\) qolunda klassik giriş vektoru \(v_q\)-nun əvvəlcə məlumat kodlayıcısı \(U_{enc}\) ilə kvant vəziyyətinə kodlandığını, sonra öyrənilə bilən parametrləri \(\theta_q\) olan variasiyalı blok \(U_q\) tərəfindən çevrildiyini göstərir. \(n_q\), qolun kubit enidir. Dövrə çıxışı birbaşa sinif etiketi deyil; hər kubit üçün Pauli-Z müşahidə olunanının gözlənilən qiyməti \(\langle Z_i\rangle\) ölçülür və bunlar \(e_q\) xüsusiyyət vektorunu yaradır. Pauli-Z gözləntisi ölçüsüzdür və ideal halda −1 ilə +1 arasında kvant müşahidə olunanının ortalamasını təmsil edir.
Mənbə hər qolda bucaq kodlaması və təkrarlanan fırlanma–dolaşıqlıq bloklarının istifadə olunduğunu bildirir. “Dövrə dərinliyi” burada bu öyrədilə bilən blokların təkrar sayıdır. Həssaslıq analizində qol eni 2, 4, 6 və 8 kubit; dövrə dərinliyi isə 2, 4 və 6 olaraq skan edilmişdir. Tədqiqat fiziki kvant cihazının adını, real aparat backend-ini və ya aparat shot sayını bildirmədiyinə görə bu nəticələr real kvant avadanlığının performansı kimi oxunmamalıdır.
Üç kvant qolunun çıxışı necə birləşdirilir?
Tənlik (5)-də \(e_{QL}\), \(e_{QCIN}\) və \(e_{QDNN}\) üç kvant qolunun ölçülmüş xüsusiyyətləridir. Kvadrat mötərizələr birləşdirməni, \(h(\cdot)\) yüngül klassik füzyon başlığını, \(\sigma\) isə sigmoid çevrilməsini göstərir. Beləliklə kvant dövrələri aralıq xüsusiyyət istehsalçısı, klassik başlıq isə son ehtimal proqnozlayıcısı kimi işləyir. Bu hibrid bölgü tədqiqatın “kvant modeli bütün təsnifatı təkbaşına edir” iddiasında olmadığını açıq göstərir.
QCIN açıq qarşılıqlı təsirləri necə qoruyur?
Tənlik (6), xDeepFM/CIN ailəsinin açıq çarpaz qarşılıqlı təsir məntiqini qoruyan sıxılmış qarşılıqlı təsir addımını ifadə edir. \(x^{0}_{j,*}\) ilkin sahə embedding-ini, \(x^{k-1}_{i,*}\) əvvəlki qarşılıqlı təsir qatındakı vəziyyəti, \(W^{k,h}_{ij}\) öyrənilə bilən əmsalı və \(\odot\) Hadamard, yəni element-əsaslı vurmanı göstərir. \(m\) ilkin sahə sayını, \(H_{k-1}\) əvvəlki qatdakı qarşılıqlı təsir xəritələrinin sayını təmsil edir. Riyazi rol sahə cütlərinin element-əsaslı hasillərini öyrənilə bilən çəkilərlə birləşdirərək açıq yüksək dərəcəli qarşılıqlı təsirlər yaratmaqdır. HQxDeepFM-də bu çarpaz xüsusiyyətlər daha sonra VQC sıxışdırma vahidi tərəfindən Pauli-Z gözlənilən xüsusiyyətlərinə çevrilir.
Təlim itkisi nəyi optimallaşdırır?
Tənlik (7), ikili çarpaz entropiyanı L2 requlyarlaşdırma ilə birləşdirir. Birinci termin real etiket \(y_i\) ilə proqnoz \(\hat{y}_i\) arasındakı təsnifat xətasını cəzalandırır; ikinci termin model parametrlərinin \(\Theta\) böyüklüyünü \(\lambda\) əmsalı ilə məhdudlaşdırır. \(N\) mini-batch və ya hesablama qrupundakı nümunə sayını təmsil edir. Məqsəd yalnız təlim məlumatına həddən artıq uyğunlaşmaq əvəzinə daha balanslı parametr böyüklükləri ilə ümumi performansı qorumaqdır. Mənbə bu tənliyi verir; lakin optimizer, öyrənmə sürəti, batch ölçüsü və epoch sayı kimi təlim detallarını açıq şəkildə bildirmir.
Xüsusiyyət girişi azaldıqda performans necə ölçülür?
Tənlik (8), tam xüsusiyyətli AUC ilə giriş maskası altındakı AUC arasındakı mütləq itkini ölçür. Qiymət böyüdükcə xüsusiyyət qrupunun saxlanılması modelin ayırdetmə gücünü daha çox azaltmışdır. Tənlik (9) isə eyni dəyişikliyi faiz şəklində AUC qorunması kimi verir. Tam xüsusiyyətli performans %100 qəbul edilir; məsələn, %90-lıq \(R_{AUC}\), maskalanmış şərtdə tam xüsusiyyət AUC-sinin %90-nın qorunduğu deməkdir. Bu nisbət müxtəlif məlumat dəstlərinin başlanğıc AUC-ləri fərqli olsa belə nisbi dayanıqlılığı müqayisə etməyi asanlaşdırır.
HQxDeepFMEM Kvant Səs-küyünü Necə Azaldır?
HQxDeepFMEM təmiz modelin kvant qollarını öyrətdikdən sonra bu qolları dondurur; yalnız təlim qatında yaradılan təmiz və qatlanmış-səs-küylü gözlənti profillərindən istifadə edərək MLP sıfır-səs-küy ekstrapolyasiya modeli öyrənir və doğrulama qatında səs-küylü Pauli-Z gözləntilərini təxmini sıfır-səs-küy qiymətləri ilə əvəz edərək eyni klassik füzyon başlığından yenidən proqnoz yaradır.
Tənlik (10), kvant səs-küyünü tam müsbət və iz-qoruyan (completely positive trace-preserving, CPTP) kanal kimi təmsil edir. \(\rho\) giriş sıxlıq matrisi, \(\rho'\) səs-küydən sonrakı vəziyyət, \(\mathcal{E}\) kanal və \(A_i\) Kraus operatorlarıdır. Tədqiqatda faza sönümlənməsi, amplituda sönümlənməsi və depolyarizasiya kanalları bu çərçivədə idarə olunan pozucu proseslər kimi tətbiq edilir. Bu tənlik öz-özlüyündə səs-küyü “düzəltmir”; yalnız fiziki olaraq etibarlı səs-küy çevrilməsinin riyazi göstərimidir.
Xəta azaltma mərhələsində MLP-ZNE reqressoru \(f_{\phi}\), müxtəlif səs-küy miqyaslarında əldə edilən qatlanmış gözləntilərdən təmiz gözlənti referensini proqnozlaşdırmağı öyrənir. Təlim cütləri yalnız təlim qatından yaradılır; doğrulama etiketləri və ya aşağı axın hədəfləri bu reqressoru öyrətmək üçün istifadə olunmur. Bu ayrım xəta azaltma mərhələsində doğrulama məlumatının sızmasının qarşısını almağı hədəfləyir. Səs-küydən sonrakı performans \(100\times AUC_{mitigated}(p)/AUC_{clean}\) şəklində qorunma nisbəti ilə bildirilir.
Səs-küy kanalları eyni çətinliyi yaradır?
Xeyr. Tədqiqatın istilik xəritələri aşağı və orta səs-küy səviyyələrində faza sönümlənməsi və amplituda sönümlənməsi altında MLP-ZNE-dən sonra yüksək AUC qorunmasının görünə bildiyini; depolyarizasiya səs-küyünün isə daha nəzərəçarpan performans itkisinə yol açdığını göstərir. Səs-küy ehtimalı \(p\) üçün 0,01, 0,03, 0,05, 0,10 və 0,15 səviyyələri; kubit sayı üçün 2, 4, 6 və 8 sütunları araşdırılmışdır. Müəlliflərin şərhi depolyarizasiyanın siqnal daşıyan Pauli-Z gözləntilərini daha geniş şəkildə pozduğu və MLP əsaslı ekstrapolyasiya üçün daha az strukturlu xəta nümunəsi buraxdığı yönündədir.
Bu nəticələr real kvant üstünlüyü göstərir?
Tədqiqat “kvant üstünlüyü” və ya klassik hesablamanın çata bilmədiyi hesablama üstünlüyü göstərmir. Müqayisə müəyyən hibrid arxitekturanın təsnifat metrikləri, öyrədilə bilən parametr yükü, xüsusiyyət girişi dayanıqlılığı və idarə olunan səs-küy altında AUC qorunması üzərindədir. Real kvant avadanlığı gecikməsi, shot xərci, kvant emal müddəti, xəta kalibrlənməsi və ya enerji sərfiyyatı bildirilmədiyi üçün nəticələr alqoritmik/model səviyyəsindəki təcrübələr kimi qiymətləndirilməlidir.
Tədqiqatın Metodu və Nəticələri
Məlumat dəstləri və tapşırıqlar
| Məlumat dəsti | Xidmət tapşırığı / primitiv | Əsas xüsusiyyət qrupları | Doğrulama | Metriklər |
|---|---|---|---|---|
| MSW | Ağıllı saat dəstəkli menstrual sikl üçün dəstək-pəncərəsi proqnozu | Yuxu orta nöqtəsi, yuxu müddəti, ritm müntəzəmliyi, BBT-mənşəli göstəricilər, sikl vaxtlaması, istəyə bağlı öz-bildirimlər və giriş maskaları | İştirakçı-ayrılmış 5 qat | AUC, Macro-F1 |
| WESAD | Affektiv rifah üçün geyilə bilən stress-dəstəyi proqnozu | EDA, BVP, dəri temperaturu, akselerometr, tənəffüslə əlaqəli siqnallar və cihaz əlçatanlıq maskaları | Subyekt-ayrılmış 5 qat | AUC, Macro-F1 |
| ExtraSensory | Kontekst-fərqində təhlükəsizlik/xidmət uyğunlaşdırması üçün telefon-saat kontekst tanınması | Telefon/saat hərəkət xüsusiyyətləri, zaman konteksti, cihaz vəziyyəti, sensor əlçatanlığı və siyasət maskaları | İstifadəçi-ayrılmış 5 qat | AUC, Macro-F1 |
Etiketlər model təlimindən əvvəl açıq məlumat dəstlərinin mövcud izahlarından və ya sahələrindən yaradılır. MSW tədqiqatın qadınlara xas əsas dayağıdır. WESAD və ExtraSensory isə birbaşa qadınlara xas məlumat dəstləri kimi təqdim edilmir; affektiv rifah və kontekst tanınması kimi ötürülə bilən xidmət komponentlərini sınamaq üçün istifadə edilir. Bu fərq “üç məlumat dəstinin hamısında qadınlara xas klinik doğrulama aparılıb” şəklində yanlış ümumiləşdirmənin qarşısını alır.
Müqayisə modelləri
Tədqiqat Logistic Regression (LR), Random Forest (RF), LightGBM, DeepFM, xDeepFM və AutoInt modellərini müqayisə bazası kimi istifadə edir. Bu qrup xətti qərar sərhədindən ağac ansambllarına; açıq yüksək dərəcəli qarşılıqlı təsirlərdən dərin və diqqət əsaslı təsvirlərə qədər müxtəlif klassik model ailələrini əhatə edir. HQxDeepFM və HQxDeepFMEM xDeepFM ilə eyni embedding ölçüsünü və qol skeletini istifadə edəcək şəkildə qurulmuşdur; bununla müəlliflər performans fərqini yalnız daha böyük giriş təsvirinə bağlamamağa çalışırlar.
Əsas performans nəticələri
| Model | MSW | WESAD | ExtraSensory | |||
|---|---|---|---|---|---|---|
| AUC | Macro-F1 | AUC | Macro-F1 | AUC | Macro-F1 | |
| LR | 0,632 ± 0,009 | 0,551 ± 0,009 | 0,818 ± 0,006 | 0,734 ± 0,005 | 0,737 ± 0,008 | 0,686 ± 0,007 |
| RF | 0,659 ± 0,013 | 0,575 ± 0,013 | 0,854 ± 0,009 | 0,773 ± 0,006 | 0,764 ± 0,009 | 0,714 ± 0,008 |
| LightGBM | 0,688 ± 0,012 | 0,597 ± 0,016 | 0,887 ± 0,004 | 0,801 ± 0,004 | 0,792 ± 0,011 | 0,738 ± 0,011 |
| DeepFM | 0,674 ± 0,012 | 0,589 ± 0,011 | 0,877 ± 0,007 | 0,792 ± 0,008 | 0,790 ± 0,008 | 0,735 ± 0,007 |
| xDeepFM | 0,697 ± 0,011 | 0,615 ± 0,010 | 0,885 ± 0,006 | 0,807 ± 0,006 | 0,801 ± 0,009 | 0,752 ± 0,008 |
| AutoInt | 0,699 ± 0,017 | 0,610 ± 0,013 | 0,898 ± 0,005 | 0,821 ± 0,004 | 0,806 ± 0,008 | 0,756 ± 0,008 |
| HQxDeepFM | 0,710 ± 0,015 | 0,626 ± 0,012 | 0,908 ± 0,006 | 0,836 ± 0,004 | 0,815 ± 0,009 | 0,769 ± 0,009 |
| HQxDeepFMEM | 0,712 ± 0,011 | 0,629 ± 0,011 | 0,910 ± 0,005 | 0,838 ± 0,006 | 0,818 ± 0,007 | 0,773 ± 0,004 |
Cədvəldə ən yüksək orta AUC və Macro-F1 qiymətləri hər üç məlumat dəstində HQxDeepFMEM sətrindədir. Verianla-nın yalnız cədvəl qiymətlərindən etdiyi sadə fərq hesabında HQxDeepFMEM-in AUC-si hər məlumat dəstindəki ən yüksək klassik AUC ilə müqayisədə MSW-də +0,013, WESAD-da +0,012 və ExtraSensory-də +0,012 daha yüksəkdir. Macro-F1 üçün eyni mütləq fərqlər müvafiq olaraq +0,014, +0,017 və +0,017-dir. Bunlar yeni eksperimental nəticə və ya statistik effekt ölçüsü deyil; mənbə cədvəlindəki ortalamaların arifmetik fərqidir. Məqalə p-qiyməti, etibar intervalı və ya cütləşdirilmiş əhəmiyyətlilik testi bildirmədiyinə görə bu fərqlər “statistik olaraq sübut edilmiş üstünlük” kimi şərh edilməməlidir.
Dəqiqlik–yığcamlıq balansı
Mənbənin dəqiqlik–yığcamlıq qrafiki HQxDeepFM ailəsinin klassik dərin qarşılıqlı təsir modellərinə nisbətən daha yüksək AUC-ni daha aşağı öyrədilə bilən proqnoz mühərriki parametr yükü ilə birləşdirən bölgəyə keçdiyini göstərir. Parametr hesabına embedding/proyeksiya komponentləri, öyrədilə bilən VQC bucaqları və klassik füzyon başlığı daxildir; HQxDeepFMEM üçün MLP-ZNE reqressoru da sayılır. İlkin emal və səs-küy kanal operatorları öyrədilə bilən parametr hesabına daxil edilmir. Mənbə qrafiki təxmini parametr mövqeləri göstərsə də, mətndə model üzrə dəqiq parametr cədvəli verilmədiyi üçün burada yeni dəqiq parametr sayları yaradılmayıb.
Qol ablasiyası nə göstərir?
Eyni məlumat bölünmələri altında aparılan ablasiyada QDNN çıxarıldıqda ən böyük performans azalması müşahidə olunur. Bu tapıntı gizli qeyri-xətti təsvirin geyilə bilən və telefon/saat məlumatlarındakı ayırdedici nümunələr üçün ən güclü qollardan biri olduğunu düşündürür. QCIN çıxarılanda da performans nəzərəçarpacaq dərəcədə zəifləyir; bu hal fiziologiya, kontekst, xidmət tarixçəsi və giriş maskaları arasındakı açıq çarpaz qarşılıqlı təsirlərin töhfəsini dəstəkləyir. QLinear çıxarıldıqda azalma daha mülayim, lakin ardıcıldır; müəlliflər bunu aşağı dərəcəli təsirlərin dominant olmayan, lakin sabit baza yaratması kimi şərh edirlər.
Xüsusiyyət girişi və çatışmayan sensor dayanıqlılığı
Tədqiqatın xüsusiyyət girişi təcrübəsində səlahiyyətli xüsusiyyət qruplarının mərhələli olaraq daha böyük hissəsi saxlanılır və tam xüsusiyyətli vəziyyətlə müqayisədə AUC qorunması izlənir. Qrafiklər 0-dan %40-a qədər artan saxlanılmış xüsusiyyət qrupu nisbətlərində bütün modellərin performansının azaldığını, HQxDeepFM-in isə qiymətləndirilən klassik qarşılıqlı təsir modellərinə nisbətən daha yüksək nisbi AUC qorunması tendensiyası göstərdiyini bildirir. Bu nəticə modelin tək bir məxfilik-həssas axından tam asılı olmadığını düşündürür; lakin real istifadəçi razılığı davranışının və ya real sensor nasazlıqlarının sahə sınağı deyil.
Kubit sayı və dövrə dərinliyi
Tutum skanı hər VQC qolunda 2, 4, 6 və 8 kubiti; 2, 4 və 6 təkrarlı öyrədilə bilən dövrə dərinliyini müqayisə edir. Əyri davranışı monoton deyil: 2 kubitdən orta enlərə keçmək əksər tapşırıqlarda AUC-ni artırarkən 8 kubitdə qazanc doyma nöqtəsinə çata və ya azala bilər. Müzakirə bölməsi qiymətləndirilən tapşırıqlar üçün 4–6 kubit aralığını dəqiqlik ilə resurs/səs-küy yükü arasında daha balanslı iş sahəsi kimi şərh edir. Bu bütün VQC tətbiqləri üçün universal ən yaxşı kubit sayı deyil; yalnız bu tapşırıqlar və bu eksperimental protokol üçün müşahidə olunan meyldir.
Səs-küydən sonra AUC qorunması
HQxDeepFMEM-in MLP-ZNE mərhələsi faza sönümlənməsi və amplituda sönümlənməsi altında aşağı-orta səs-küy səviyyələrində yüksək AUC qorunması təmin edir. İstilik xəritələrində depolyarizasiya səs-küyü xüsusilə yüksək \(p\) qiymətlərində daha sərt azalma yaradır. Məsələn, mənbə istilik xəritəsində \(p=0,15\) sətrində depolyarizasiya altında qorunma qiymətləri məlumat dəsti və kubit sayından asılı olaraq təxminən aşağı-80-lərdən yüksək-80-lər diapazonuna qədər geriləyə bilər; bu qiymətlər şəkildən oxunur və burada dəqiq ümumi əmsal kimi ümumiləşdirilməməlidir. Əsas elmi mesaj odur ki, xəta azaltma səs-küyü tamamilə aradan qaldırmır və depolyarizasiya ən çətin kanal olaraq qalır.
Tədqiqatın dəstəklədiyi nəticələr
- Rola uyğun QLinear, QCIN və QDNN qollarını birləşdirən HQxDeepFM üç qiymətləndirilən tapşırıqda klassik müqayisələrdən daha yüksək orta AUC və Macro-F1 verib.
- HQxDeepFMEM, MLP dəstəkli sıfır-səs-küy ekstrapolyasiyasından sonra HQxDeepFM-lə müqayisədə kiçik əlavə orta qazanc göstərib.
- İştirakçı/subyekt/istifadəçi-ayrılmış beşqat dizayn eyni şəxsin təlim və doğrulama tərəfində olmasından yarana biləcək identiklikdən asılı sızmanı azaltmağı hədəfləyir.
- Xüsusiyyət giriş maskaları altında nisbi AUC qorunması modelin icazə verilən məlumat qrupları azaldıqda necə zəiflədiyini ölçmək üçün istifadə edilə bilər.
- Qol ablasiyası QDNN-in ən böyük, QCIN-in mühüm və QLinear-ın daha mülayim, lakin ardıcıl töhfə verdiyi istiqamətdə nümunə göstərib.
- Kubit enini artırmaq avtomatik olaraq daha yaxşı nəticə verməyib; qiymətləndirilən tapşırıqlarda orta ölçülü 4–6 kubitlik diapazon daha balanslı görünür.
- Depolyarizasiya səs-küyü faza və amplituda sönümlənməsi ilə müqayisədə xəta azaltma baxımından daha çətin hesab edilib.
Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr
- Bu nəticələr HQxDeepFM-in klinik olaraq qadın sağlamlığı diaqnozu qoya bildiyini və ya sağlamlıq nəticəsini yaxşılaşdırdığını göstərmir.
- WESAD və ExtraSensory nəticələri qadınlara xas klinik doğrulama deyil; ötürülə bilən stress və kontekst tanınması tapşırıqlarıdır.
- Siyasətlə müəyyən edilən xüsusiyyət maskaları real istifadəçilərin hüquqi razılıq proseslərini, məxfilik qavrayışını və ya uzunmüddətli davranışını doğrulamır.
- Tədqiqat fiziki kvant avadanlığında sürət, enerji, xəta dərəcəsi və ya xərc üstünlüyü göstərmir.
- Orta AUC/Macro-F1 fərqləri statistik əhəmiyyətlilik testi bildirilmədiyi üçün universal üstünlük sübutu deyil.
- 4–6 kubit müşahidəsi başqa məlumat dəstləri, daha dərin dövrələr və ya fərqli kvant avadanlıqları üçün universal optimum kimi qəbul edilə bilməz.
Təkrar istehsal oluna bilmə baxımından çatışmayan detallar
Mənbə arxitektura tənliklərini, ayrılmış qat protokolunu, müqayisə modellərini, kubit/dərinlik skanını, səs-küy kanallarını və əsas metrikləri izah edir. Bunun əvəzində PDF-in metod və təcrübə bölmələrində optimizer növü, öyrənmə sürəti, mini-batch ölçüsü, epoch sayı, erkən dayandırma ayarı, təsadüfi toxumlar, kvant ölçmə shot sayı, istifadə olunan proqram/kvant simulyatoru və ya fiziki aparat backend-i, MLP-ZNE-nin qat ölçüləri və səs-küy miqyaslama əmsallarının konkret qiymətləri açıq şəkildə bildirilmir. Bu çatışmazlıqlar mənbə kodu və ya əlavə material olmadan təcrübənin eynilə təkrar istehsalını məhdudlaşdırır.
Tətbiq baxımından nə deməkdir?
Tədqiqatın ən güclü tətbiq ideyası “qadın sağlamlığı üçün kvant süni intellekti” kimi geniş şüar deyil; icazə verilən məlumat qruplarına görə işləyə bilən və hansı funksional qarşılıqlı təsir qolunun nə qədər töhfə verdiyi araşdırıla bilən yığcam qərar qatı ideyasıdır. Belə qat gələcəkdə menstrual sikl dəstəyi, stress/rifah bildirişləri və ya kontekst-fərqində təhlükəsizlik xəbərdarlıqları kimi xidmətlərin qarşısında istifadə oluna bilər. Lakin real tətbiq üçün istifadəçi tədqiqatları, etik təsdiqli prospektiv qiymətləndirmə, məxfilik rahatlığı, yanlış xəbərdarlıq xərci, gecikmə, enerji sərfiyyatı, aparat etibarlılığı və normativ uyğunluq ayrıca doğrulanmalıdır.
Mənbə və Metod Qeydi
Özgün tədqiqat: Role-Aligned Quantum–Classical Feature Interaction for Privacy-Bounded Women-Centric Wearable Services.
Müəlliflər: Wenbin Yu; Yanfeng Fan; Youle Wang; Hanmiao Cheng; Ran Li; Konglin Zhu; Yadang Chen.
Corresponding author: Hanmiao Cheng. PDF-də məsul müəllif ulduz işarəsi ilə göstərilmişdir.
Bərabər töhfə: Mənbə PDF-də bərabər töhfə/birgə-birinci müəllif bəyanı müəyyən edilməyib.
Afiliasiyalar: School of Software, Nanjing University of Information Science and Technology; School of Computer Science, Nanjing University of Information Science and Technology; Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology; Wuxi Institute of Technology, Nanjing University of Information Science and Technology; Nanjing Quantum AI Technology Co., Ltd.; Nanjing Boswell Industrial Communication Technology Co., Ltd.; Marketing Service Center, State Grid Jiangsu Electric Power Co., Ltd.; Department of Electrical and Computer Engineering, Michigan State University.
Mənbə növü: Preprint research paper.
Rəyçilik statusu: PDF açıq şəkildə tədqiqatın peer review-dan keçmədiyini bildirir.
Platforma: SSRN, abstract 7477255.
Yayımlanma tarixi: SSRN qeyd səhifəsində 17 sentyabr 2026 tarixində yayımlanmış/posted olaraq görünür.
DOI: 10.2139/ssrn.7477255.
Jurnal: Mənbə jurnal məqaləsi kimi yayımlanmış versiya deyil; bu fayl SSRN preprint versiyasıdır.
Lisenziya: PDF və doğrulanan SSRN biblioqrafik qeydində məqalənin yenidən istifadəsinə açıq icazə verən Creative Commons lisenziyası müəyyən edilməyib. Buna görə Verianla daxilində mənbə şəkillərin ekran görüntüsü və ya stil surəti istifadə edilməyib; metod əlaqələri müstəqil SVG sxemi ilə yenidən ifadə olunub və sayısal nəticələr orijinal HTML cədvəl düzümündə ötürülüb.
Biblioqrafik qeyd fərqi: Yüklənmiş PDF müəllifi Konglin Zhu kimi və Ran Li-ni Nanjing University of Information Science and Technology ilə əlaqəli a/b/c afiliasiyaları altında göstərir. SSRN-nin cari web meta qeydi isə Zhu adını Konlin Zhu şəklində və Ran Li afiliasiyasını East China Normal University kimi göstərir. Bu Verianla mətnində tədqiqatçı identikliyi üçün yüklənmiş PDF-dəki yazılış və afiliasiya əsas götürülüb, fərq gizlədilməyib.
Maliyyələşmə / maraqlar toqquşması / məlumat əlçatanlığı / CRediT: Yüklənmiş PDF-də ayrıca və açıq maliyyələşmə, maraqlar toqquşması, məlumat əlçatanlığı və ya CRediT müəllif töhfəsi bəyanı müəyyən edilməyib. Təcrübələrin MSW, WESAD və ExtraSensory adlı açıq məlumat dəstlərinə əsaslandığı mənbədə qeyd edilir; bu hal ayrıca məlumat əlçatanlığı bəyanının yerinə keçirilməməlidir.
Əsas metodoloji məhdudiyyət: Tədqiqat ictimai açıq məlumat dəstləri və idarə olunan eksperimental giriş/səs-küy şərtləri üzərində model qiymətləndirilməsidir. Prospektiv klinik tədqiqat, real istifadəçi müdaxiləsi, real cihaz üzərində yerləşdirmə və ya fiziki kvant avadanlığı testi deyil.
Şərh yazın
E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib