HQxDeepFM, kadın odaklı giyilebilir cihaz ve telefon/saat hizmetlerinde izin verilen fizyolojik, bağlamsal, cihaz, hizmet geçmişi ve kullanıcı yetkilendirmesi özelliklerini birlikte işlemek üzere tasarlanmış, gizlilik ve gürültü farkındalığı taşıyan hibrit kuantum-klasik bir özellik-etkileşim modelidir. Model, xDeepFM'in düşük dereceli etkiler, açık yüksek dereceli etkileşimler ve örtük doğrusal olmayan temsiller biçimindeki işlevsel ayrımını korur; ancak klasik Linear, CIN ve DNN dallarını sırasıyla QLinear, QCIN ve QDNN adlı sığ değişkenli kuantum devresi (Variational Quantum Circuit, VQC) tabanlı dallarla değiştirir. Bu dallar Pauli-Z beklenti değerlerini ölçülmüş özellik temsilleri olarak üretir ve çıktılar hafif bir klasik füzyon başlığında birleştirilir.
Çalışma üç açık veri kümesi üzerinde değerlendirme yapmaktadır: Menstrual Sleep-Wake (MSW), kadınlara özgü akıllı saat destekli adet döngüsü hizmet penceresi görevini; WESAD, giyilebilir stres/duygulanım desteğini; ExtraSensory ise telefon ve saat tabanlı bağlam tanımayı temsil eder. Ana deneyler kimlik sızıntısını azaltmak için MSW'de katılımcı-ayrık, WESAD'da özne-ayrık ve ExtraSensory'de kullanıcı-ayrık beş katlı doğrulama kullanır. Ayrıca özellik gruplarının politika gereği kullanılamadığı durumlar, eksik sensörler, dal ablasyonları, 2–8 kübitlik VQC kapasitesi, 2/4/6 devre derinliği ve faz sönümleme, genlik sönümleme ile depolarizasyon gürültü kanalları incelenir.
Beş katın ortalamalarında HQxDeepFMEM, MSW için AUC 0,712 ve Macro-F1 0,629; WESAD için AUC 0,910 ve Macro-F1 0,838; ExtraSensory için AUC 0,818 ve Macro-F1 0,773 sonuçlarını vermektedir. Aynı tabloda en güçlü klasik karşılaştırmaların AUC değerleri sırasıyla 0,699, 0,898 ve 0,806 düzeyindedir. Bu nedenle çalışma, önerilen hibrit yapının değerlendirilen görevlerde küçük fakat tutarlı bir ortalama performans artışı ve daha elverişli bir doğruluk–eğitilebilir parametre dengesi sağladığını ileri sürmektedir. Ancak çalışma bir preprinttir; istatistiksel anlamlılık testi, gerçek kuantum donanımı üzerinde doğrulama, klinik etki, gerçek kullanıcı kabulü veya cihaz üstü enerji/gecikme ölçümü sunmamaktadır. Dolayısıyla sonuçlar gerçek dünyadaki kadın sağlığı hizmetlerine doğrudan klinik üstünlük olarak genellenmemelidir.
Araştırma problemi neden yalnız “daha yüksek tahmin doğruluğu” değildir?
Giyilebilir sağlık ve iyi oluş hizmetlerinde model girdileri sabit olmayabilir. Kullanıcı bazı bilgileri paylaşmayabilir, bir sensör o anda çalışmayabilir, uygulama politikası belirli bir özelliğin kullanımına izin vermeyebilir veya cihaz bağlamı değişebilir. Bu nedenle araştırmanın temel problemi, yalnızca çok sayıda özelliği bir araya getirip sınıflandırma yapmak değil; yalnız izin verilen özellik gruplarıyla çalışabilen, eksik girdiler altında davranışı izlenebilen ve model boyutu görece kompakt tutulabilen bir karar katmanı kurmaktır.
Kaynak bu problemi özellikle kadın odaklı hizmet senaryolarında ele alır. Adet döngüsü desteği gibi bir hizmet penceresi; uyku zamanlaması, uyku süresi, ritim düzenliliği, bazal vücut sıcaklığına dayalı göstergeler, döngü zamanlaması, isteğe bağlı öz-bildirimler ve erişim politikası gibi alanların ortak değerlendirilmesini gerektirebilir. Bununla birlikte modelin bir sağlık çalışanının, klinik tanının veya uygulama politikasının yerini aldığı iddia edilmez; model, politika katmanından sonra çalışan bir karar-desteği bileşeni olarak konumlandırılır.
HQxDeepFM Nedir ve xDeepFM’den Nasıl Ayrılır?
HQxDeepFM, xDeepFM'in üç temel işlevini koruyup bu işlevlerin her birini ayrı bir sığ değişkenli kuantum devresiyle temsil eden hibrit bir mimaridir: QLinear düşük dereceli etkileri, QCIN açık çapraz-alan etkileşimlerini, QDNN ise örtük doğrusal olmayan temsilleri işler; üç dalın Pauli-Z beklenti özellikleri daha sonra klasik bir füzyon başlığında birleştirilir.
xDeepFM'de Linear dalı tekil/düşük dereceli katkıları, Compressed Interaction Network (CIN) açık yüksek dereceli özellik etkileşimlerini, derin sinir ağı (DNN) ise örtük etkileşimleri temsil eder. HQxDeepFM'in tasarım tercihi, bütün modele tek bir “kuantum katmanı” eklemek yerine bu üç işlevin her birine rol-uyumlu bir VQC yerleştirmektir. Böylece araştırmacılar, performans değiştiğinde hangi işlevsel dalın katkısının daha önemli olduğunu ablasyonla ayrıca inceleyebilir.
Gizlilik sınırının matematiksel temeli
Denklem (1), tek bir hizmet örneğinin beş özellik grubundan oluştuğunu tanımlar: \(x^w\) giyilebilir fizyoloji; \(x^c\) bağlam veya cihaz durumu; \(x^s\) öz-bildirim veya semptom alanları; \(x^h\) hizmet geçmişi; \(x^a\) ise erişilebilirlik/politika göstergeleridir. Bu ifade bir performans denklemi değil, verinin hangi semantik gruplara ayrıldığını gösteren giriş tanımıdır. Değişkenler doğrudan fiziksel birime sahip tekil ölçümler olmak zorunda değildir; her grup birden fazla ölçeklenmiş veya gömülmüş özellik içerebilir.
Denklem (2)'de \(g\), özellik grubu düzeyinde ikili bir erişilebilirlik vektörüdür. Bir grup için \(g=1\) olduğunda grup modele aktarılır; \(g=0\) olduğunda ilgili grup kullanıcı tercihi, uygulama politikası veya sensör yokluğu nedeniyle maskelenir. Matematiksel olarak bu, grubun model girdisine katkısını sıfırlar. Bilimsel anlamı, “gizlilik” kavramını soyut bir etik etiket olarak bırakmak yerine deneysel olarak kontrol edilen bir özellik erişim koşuluna dönüştürmesidir. Ancak bu maske gerçek kullanıcı rızasının sosyolojik veya hukuki bütünlüğünü modellemez; çalışmada deney koşulu olarak uygulanır.
Denklem (3), maskelenmiş giriş \(\tilde{x}\) ve öğrenilebilir parametreler \(\Theta\) verildiğinde hedef sınıfın olasılığını tanımlar. \(y\), “destek penceresi” veya “hizmet-hazırlığı” etiketi; \(\hat{y}\) ise modelin tahminidir. Bu olasılık klinik risk olasılığı olarak yorumlanmamalıdır; veri kümesine göre tanımlanmış sınıflandırma hedefinin model çıktısıdır.
Gizlilik Sınırı Modelin Girdilerine Nasıl Uygulanıyor?
Çalışmada gizlilik sınırı, özellikleri tek tek sonradan silmekten çok, fizyoloji, bağlam/cihaz, öz-bildirim, hizmet geçmişi ve erişim politikası gibi gruplara ayırıp grup düzeyinde ikili bir izin vektörüyle maskelemek üzerinden uygulanır; böylece model, kullanılamayan grubun yerine kalan yetkili gruplardan etkileşim öğrenmek zorunda kalır.
Bu yaklaşım aynı zamanda “eksik sensör” deneyini de ortak bir çerçevede incelemeye izin verir. Araştırmacılar tam özellik durumu ile belirli grupların kademeli olarak tutulduğu koşulları karşılaştırır ve AUC'nin ne kadarının korunduğunu ölçer. Böylece model yalnız yüksek tam-veri performansına göre değil, veri erişiminin kısıtlandığı koşullardaki göreli dayanıklılığına göre de değerlendirilir.
Değişkenli kuantum devresi dalı nasıl özellik üretir?
Denklem (4), her bir \(q\) dalında klasik giriş vektörü \(v_q\)'nun önce veri kodlayıcı \(U_{enc}\) ile kuantum durumuna kodlandığını, ardından öğrenilebilir parametreleri \(\theta_q\) olan varyasyonel blok \(U_q\) tarafından dönüştürüldüğünü gösterir. \(n_q\), dalın kübit genişliğidir. Devre çıkışı doğrudan bir sınıf etiketi değildir; her kübit için Pauli-Z gözlenebilirinin beklenti değeri \(\langle Z_i\rangle\) ölçülür ve bunlar \(e_q\) özellik vektörünü oluşturur. Pauli-Z beklentisi boyutsuzdur ve ideal olarak −1 ile +1 arasında bir kuantum gözlenebilir ortalamasını temsil eder.
Kaynak, her dalda açı kodlaması ve tekrar eden dönme–dolaşıklık blokları kullanıldığını belirtir. “Devre derinliği” burada bu eğitilebilir blokların tekrar sayısıdır. Duyarlılık analizinde dal genişliği 2, 4, 6 ve 8 kübit; devre derinliği ise 2, 4 ve 6 olarak taranmıştır. Çalışma fiziksel bir kuantum cihaz adı, gerçek donanım arka ucu veya donanım atış sayısı bildirmediğinden bu sonuçlar gerçek kuantum donanımı performansı olarak okunmamalıdır.
Üç kuantum dalının çıktısı nasıl birleştirilir?
Denklem (5)'te \(e_{QL}\), \(e_{QCIN}\) ve \(e_{QDNN}\) üç kuantum dalının ölçülmüş özellikleridir. Köşeli parantez birleştirmeyi, \(h(\cdot)\) hafif klasik füzyon başlığını, \(\sigma\) ise sigmoid dönüşümünü gösterir. Böylece kuantum devreleri ara özellik üreticisi, klasik başlık ise son olasılık tahminleyicisi olarak görev yapar. Bu hibrit ayrım, çalışmanın “kuantum model bütün sınıflandırmayı tek başına yapıyor” iddiasında olmadığını açıkça gösterir.
QCIN açık etkileşimleri nasıl korur?
Denklem (6), xDeepFM/CIN ailesinin açık çapraz etkileşim mantığını koruyan sıkıştırılmış etkileşim adımını ifade eder. \(x^{0}_{j,*}\) özgün alan gömmesini, \(x^{k-1}_{i,*}\) önceki etkileşim katmanındaki durumu, \(W^{k,h}_{ij}\) öğrenilebilir katsayıyı ve \(\odot\) Hadamard yani eleman-bazlı çarpımı gösterir. \(m\) özgün alan sayısını, \(H_{k-1}\) önceki katmandaki etkileşim haritalarının sayısını temsil eder. Matematiksel rol, alan çiftlerinin eleman-bazlı çarpımlarını öğrenilebilir ağırlıklarla bir araya getirerek açık yüksek dereceli etkileşimler üretmektir. HQxDeepFM'de bu çapraz özellikler daha sonra VQC sıkıştırma birimi tarafından Pauli-Z beklenti özelliklerine dönüştürülür.
Eğitim kaybı neyi optimize ediyor?
Denklem (7), ikili çapraz entropi ile L2 düzenlileştirmeyi birleştirir. İlk terim gerçek etiket \(y_i\) ile tahmin \(\hat{y}_i\) arasındaki sınıflandırma hatasını cezalandırır; ikinci terim model parametrelerinin \(\Theta\) büyüklüğünü \(\lambda\) katsayısıyla sınırlar. \(N\) mini-batch veya hesaplama grubundaki örnek sayısını temsil eder. Amaç, yalnız eğitim verisine aşırı uyum sağlamak yerine daha dengeli parametre büyüklükleriyle genel performansı korumaktır. Kaynak bu denklemi verir; ancak optimizer, öğrenme oranı, batch büyüklüğü ve epoch sayısı gibi eğitim ayrıntılarını açık biçimde raporlamaz.
Özellik erişimi azaldığında performans nasıl ölçülüyor?
Denklem (8), tam özellikli AUC ile erişim maskesi altındaki AUC arasındaki mutlak kaybı ölçer. Değer büyüdükçe özellik grubunun tutulması model ayrım gücünü daha fazla düşürmüştür. Denklem (9) ise aynı değişimi yüzde biçiminde AUC korunumu olarak verir. Tam özellikli performans %100 kabul edilir; örneğin %90'lık \(R_{AUC}\), maskeli koşulda tam özellik AUC'sinin %90'ının korunduğu anlamına gelir. Bu oran farklı veri kümelerinin başlangıç AUC'leri farklı olsa bile göreli dayanıklılığı karşılaştırmayı kolaylaştırır.
HQxDeepFMEM Kuantum Gürültüsünü Nasıl Azaltıyor?
HQxDeepFMEM, temiz modelin kuantum dallarını eğittikten sonra bu dalları dondurur; yalnız eğitim katında oluşturulan temiz ve katlanmış-gürültülü beklenti profillerini kullanarak bir MLP sıfır-gürültü kestirim modeli öğrenir ve doğrulama katında gürültülü Pauli-Z beklentilerini tahmini sıfır-gürültü değerleriyle değiştirerek aynı klasik füzyon başlığından yeniden tahmin üretir.
Denklem (10), kuantum gürültüsünü tamamen pozitif ve iz-koruyan (completely positive trace-preserving, CPTP) bir kanal olarak temsil eder. \(\rho\) giriş yoğunluk matrisi, \(\rho'\) gürültü sonrası durum, \(\mathcal{E}\) kanal ve \(A_i\) Kraus operatörleridir. Çalışmada faz sönümleme, genlik sönümleme ve depolarizasyon kanalları bu çerçevede kontrol edilen bozucu süreçler olarak uygulanır. Bu denklem tek başına gürültüyü “düzeltmez”; yalnız fiziksel olarak geçerli gürültü dönüşümünün matematiksel gösterimidir.
Hata azaltma aşamasında MLP-ZNE regresörü \(f_{\phi}\), farklı gürültü ölçeklerinde elde edilen katlanmış beklentilerden temiz beklenti referansını tahmin etmeyi öğrenir. Eğitim çiftleri yalnız eğitim katından oluşturulur; doğrulama etiketleri veya aşağı akış hedefleri bu regresörü eğitmek için kullanılmaz. Bu ayrım, hata azaltma aşamasında doğrulama bilgisinin sızmasını engellemeyi amaçlar. Gürültü sonrası performans, \(100\times AUC_{mitigated}(p)/AUC_{clean}\) biçimindeki korunma oranıyla raporlanır.
Gürültü kanalları aynı zorluğu yaratıyor mu?
Hayır. Çalışmanın ısı haritaları, düşük ve orta gürültü düzeylerinde faz sönümleme ve genlik sönümleme altında MLP-ZNE sonrasında yüksek AUC korunumu görülebildiğini; depolarizasyon gürültüsünün ise daha belirgin performans kaybına yol açtığını gösterir. Gürültü olasılığı \(p\) için 0,01, 0,03, 0,05, 0,10 ve 0,15 düzeyleri; kübit sayısı için 2, 4, 6 ve 8 sütunları incelenmiştir. Yazarların yorumu, depolarizasyonun sinyal taşıyan Pauli-Z beklentilerini daha yaygın biçimde bozduğu ve MLP tabanlı kestirim için daha az yapılı bir hata örüntüsü bıraktığı yönündedir.
Bu sonuçlar gerçek kuantum üstünlüğü gösteriyor mu?
Çalışma “kuantum üstünlüğü” veya klasik hesaplamanın erişemediği bir hesaplama avantajı göstermemektedir. Karşılaştırma, belirli bir hibrit mimarinin sınıflandırma metrikleri, eğitilebilir parametre yükü, özellik erişimi dayanıklılığı ve kontrollü gürültü altında AUC korunumu üzerinedir. Gerçek kuantum donanım gecikmesi, atış maliyeti, kuantum işlem süresi, hata kalibrasyonu veya enerji tüketimi raporlanmadığı için sonuçlar algoritmik/model düzeyindeki deneyler olarak değerlendirilmelidir.
Çalışmanın Yöntemi ve Bulguları
Veri kümeleri ve görevler
| Veri kümesi | Hizmet görevi / ilkel | Başlıca özellik grupları | Doğrulama | Metrikler |
|---|---|---|---|---|
| MSW | Akıllı saat destekli adet döngüsü için destek-penceresi tahmini | Uyku orta noktası, uyku süresi, ritim düzenliliği, BBT-türevi göstergeler, döngü zamanlaması, isteğe bağlı öz-bildirimler ve erişim maskeleri | Katılımcı-ayrık 5 kat | AUC, Macro-F1 |
| WESAD | Duygulanımsal iyi oluş için giyilebilir stres-desteği tahmini | EDA, BVP, deri sıcaklığı, ivmeölçer, solunumla ilişkili sinyaller ve cihaz erişilebilirlik maskeleri | Özne-ayrık 5 kat | AUC, Macro-F1 |
| ExtraSensory | Bağlam-farkındalıklı güvenlik/hizmet uyarlaması için telefon-saat bağlam tanıma | Telefon/saat hareket özellikleri, zamansal bağlam, cihaz durumu, sensör erişilebilirliği ve politika maskeleri | Kullanıcı-ayrık 5 kat | AUC, Macro-F1 |
Etiketler model eğitiminden önce açık veri kümelerinin mevcut açıklamalarından veya alanlarından oluşturulur. MSW, çalışmanın kadınlara özgü ana dayanağıdır. WESAD ve ExtraSensory ise doğrudan kadınlara özgü veri kümeleri olarak sunulmaz; duygulanımsal iyi oluş ve bağlam tanıma gibi aktarılabilir hizmet bileşenlerini test etmek için kullanılır. Bu ayrım, “üç veri kümesinin tamamında kadınlara özgü klinik doğrulama yapıldı” şeklindeki yanlış bir genellemeyi önler.
Karşılaştırma modelleri
Çalışma, Logistic Regression (LR), Random Forest (RF), LightGBM, DeepFM, xDeepFM ve AutoInt modellerini karşılaştırma tabanı olarak kullanır. Bu grup doğrusal karar sınırından ağaç topluluklarına; açık yüksek dereceli etkileşimlerden derin ve dikkat tabanlı temsillere kadar farklı klasik model ailelerini kapsar. HQxDeepFM ve HQxDeepFMEM, xDeepFM ile aynı gömme boyutu ve dal iskeletini kullanacak şekilde kurgulanmıştır; böylece yazarlar performans farkını yalnız daha büyük bir giriş temsiline bağlamamaya çalışır.
Ana performans sonuçları
| 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 |
Tablodaki en yüksek ortalama AUC ve Macro-F1 değerleri üç veri kümesinde de HQxDeepFMEM satırındadır. Verianla'nın yalnız tablo değerlerinden yaptığı basit fark hesabında HQxDeepFMEM'in AUC'si, her veri kümesindeki en yüksek klasik AUC'ye göre MSW'de +0,013, WESAD'da +0,012 ve ExtraSensory'de +0,012 daha yüksektir. Macro-F1 için aynı mutlak farklar sırasıyla +0,014, +0,017 ve +0,017'dir. Bunlar yeni deney sonucu veya istatistiksel etki büyüklüğü değildir; kaynak tablodaki ortalamaların aritmetik farkıdır. Makale p-değeri, güven aralığı veya eşleştirilmiş anlamlılık testi raporlamadığı için bu farklar “istatistiksel olarak kanıtlanmış üstünlük” şeklinde yorumlanmamalıdır.
Doğruluk–kompaktlık dengesi
Kaynağın doğruluk–kompaktlık grafiği, HQxDeepFM ailesinin klasik derin etkileşim modellerine kıyasla daha yüksek AUC'yi daha düşük eğitilebilir tahmin-motoru parametre yüküyle birleştiren bölgeye kaydığını göstermektedir. Parametre hesabına gömme/projeksiyon bileşenleri, eğitilebilir VQC açıları ve klasik füzyon başlığı dahildir; HQxDeepFMEM için MLP-ZNE regresörü de sayılır. Ön işleme ve gürültü kanal operatörleri eğitilebilir parametre hesabına dahil edilmez. Kaynak grafiği yaklaşık parametre konumları gösterse de metinde model bazında kesin parametre tablosu verilmediği için burada yeni kesin parametre sayıları üretilmemiştir.
Dal ablasyonu ne gösteriyor?
Aynı veri bölmeleri altında yapılan ablasyonda QDNN çıkarıldığında en büyük performans düşüşü görülür. Bu bulgu, örtük doğrusal olmayan temsilin giyilebilir ve telefon/saat verilerindeki ayırt edici örüntüler için en güçlü dallardan biri olduğunu düşündürür. QCIN çıkarıldığında da performans belirgin biçimde zayıflar; bu durum fizyoloji, bağlam, hizmet geçmişi ve erişim maskeleri arasındaki açık çapraz etkileşimlerin katkısını destekler. QLinear kaldırıldığında düşüş daha ılımlı fakat tutarlıdır; yazarlar bunu düşük dereceli etkilerin baskın olmayan fakat kararlı bir taban oluşturduğu şeklinde yorumlar.
Özellik erişimi ve eksik sensör dayanıklılığı
Çalışmanın özellik erişimi deneyinde yetkili özellik gruplarının kademeli olarak daha büyük bir bölümü tutulur ve tam özellikli duruma göre AUC korunumu izlenir. Grafikler 0'dan %40'a kadar artan tutulmuş özellik grubu oranlarında bütün modellerin performansının azaldığını, HQxDeepFM'in ise değerlendirilen klasik etkileşim modellerine göre daha yüksek göreli AUC korunumu eğilimi gösterdiğini bildirir. Bu sonuç, modelin tek bir gizlilik-hassas akışa tamamen bağımlı olmadığını düşündürür; fakat gerçek kullanıcı rıza davranışının veya gerçek sensör arızalarının saha testi değildir.
Kübit sayısı ve devre derinliği
Kapasite taraması her VQC dalında 2, 4, 6 ve 8 kübiti; 2, 4 ve 6 tekrarlı eğitilebilir devre derinliğini karşılaştırır. Eğri davranışı monoton değildir: 2 kübitten orta genişliklere çıkmak çoğu görevde AUC'yi artırırken 8 kübitte kazanç doygunlaşabilir veya azalabilir. Tartışma bölümü, değerlendirilen görevler için 4–6 kübit aralığını doğruluk ile kaynak/gürültü yükü arasında daha dengeli bir çalışma bölgesi olarak yorumlar. Bu, bütün VQC uygulamaları için evrensel en iyi kübit sayısı değildir; yalnız bu görevler ve bu deney protokolü için gözlenen eğilimdir.
Gürültü sonrası AUC korunumu
HQxDeepFMEM'in MLP-ZNE aşaması faz sönümleme ve genlik sönümleme altında düşük-orta gürültü düzeylerinde yüksek AUC korunumu sağlar. Isı haritalarında depolarizasyon gürültüsü, özellikle yüksek \(p\) değerlerinde daha sert düşüş üretir. Örneğin kaynak ısı haritasında \(p=0,15\) satırında depolarizasyon altında korunma değerleri veri kümesi ve kübit sayısına göre yaklaşık düşük-80'ler ile yüksek-80'ler bandına kadar gerileyebilir; bu değerler şekilden okunmaktadır ve burada kesin bir ortak katsayı olarak genellenmemelidir. Ana bilimsel mesaj, hata azaltmanın gürültüyü tamamen yok etmediği ve depolarizasyonun en zorlu kanal olarak kaldığıdır.
Çalışmanın desteklediği sonuçlar
- Rol-uyumlu QLinear, QCIN ve QDNN dallarını birleştiren HQxDeepFM, üç değerlendirilen görevde klasik karşılaştırmalardan daha yüksek ortalama AUC ve Macro-F1 vermiştir.
- HQxDeepFMEM, MLP destekli sıfır-gürültü kestirimi sonrasında HQxDeepFM'e göre küçük ek ortalama kazançlar göstermiştir.
- Katılımcı/özne/kullanıcı-ayrık beş kat tasarımı, aynı kişinin eğitim ve doğrulama tarafında bulunmasından doğabilecek kimlik bağımlı sızıntıyı azaltmayı amaçlamaktadır.
- Özellik erişimi maskeleri altında göreli AUC korunumu, modelin izin verilen bilgi grupları azaldığında nasıl bozulduğunu ölçmek için kullanılabilir.
- Dal ablasyonu QDNN'in en büyük, QCIN'in önemli ve QLinear'ın daha ılımlı fakat tutarlı katkı verdiği yönünde bir örüntü göstermiştir.
- Kübit genişliğini artırmak otomatik olarak daha iyi sonuç vermemiş; değerlendirilen görevlerde orta büyüklükte 4–6 kübitlik aralık daha dengeli görünmüştür.
- Depolarizasyon gürültüsü, faz ve genlik sönümlemesine göre hata azaltma açısından daha zorlayıcı bulunmuştur.
Çalışmanın desteklemediği genellemeler
- Bu sonuçlar HQxDeepFM'in klinik olarak kadın sağlığı tanısı koyabildiğini veya sağlık sonucunu iyileştirdiğini göstermez.
- WESAD ve ExtraSensory sonuçları kadınlara özgü klinik doğrulama değildir; aktarılabilir stres ve bağlam tanıma görevleridir.
- Politika tanımlı özellik maskeleri gerçek kullanıcıların hukuki rıza süreçlerini, mahremiyet algısını veya uzun dönem davranışını doğrulamaz.
- Çalışma fiziksel kuantum donanımında hız, enerji, hata oranı veya maliyet avantajını göstermemektedir.
- Ortalama AUC/Macro-F1 farkları, istatistiksel anlamlılık testi raporlanmadığı için evrensel üstünlük kanıtı değildir.
- 4–6 kübit gözlemi başka veri kümeleri, daha derin devreler veya farklı kuantum donanımları için evrensel optimum olarak alınamaz.
Yeniden üretilebilirlik açısından eksik kalan ayrıntılar
Kaynak, mimari denklemleri, ayrık kat protokolünü, karşılaştırma modellerini, kübit/derinlik taramasını, gürültü kanallarını ve ana metrikleri açıklar. Buna karşılık PDF'nin yöntem ve deney bölümlerinde optimizer türü, öğrenme oranı, mini-batch büyüklüğü, epoch sayısı, erken durdurma ayarı, rastgele tohumlar, kuantum ölçüm shot sayısı, kullanılan yazılım/kuantum simülatörü veya fiziksel donanım backend'i, MLP-ZNE'nin katman boyutları ve gürültü ölçekleme katsayılarının somut değerleri açık biçimde raporlanmamaktadır. Bu eksikler, kaynak kodu veya ek materyal olmadan deneyin birebir yeniden üretilebilirliğini sınırlar.
Uygulama açısından ne anlama geliyor?
Çalışmanın en güçlü uygulama fikri, “kadın sağlığı için kuantum yapay zekâ” gibi geniş bir slogan değil; izin verilen veri gruplarına göre çalışabilen ve hangi işlevsel etkileşim dalının ne katkı verdiği incelenebilen kompakt bir karar katmanı fikridir. Böyle bir katman ileride adet döngüsü desteği, stres/iyi oluş bildirimleri veya bağlam-farkındalıklı güvenlik uyarıları gibi hizmetlerin önünde kullanılabilir. Fakat gerçek uygulama için kullanıcı çalışmaları, etik onaylı prospektif değerlendirme, mahremiyet rahatlığı, yanlış uyarı maliyeti, gecikme, enerji tüketimi, donanım güvenilirliği ve mevzuat uyumu ayrıca doğrulanmalıdır.
Kaynak ve Yöntem Notu
Özgün çalışma: Role-Aligned Quantum–Classical Feature Interaction for Privacy-Bounded Women-Centric Wearable Services.
Yazarlar: Wenbin Yu; Yanfeng Fan; Youle Wang; Hanmiao Cheng; Ran Li; Konglin Zhu; Yadang Chen.
Corresponding author: Hanmiao Cheng. PDF'de sorumlu yazar yıldız işaretiyle belirtilmiştir.
Eşit katkı: Kaynak PDF'de eşit katkı/eş-birinci yazar beyanı tespit edilmemiştir.
Afiliasyonlar: 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.
Kaynak türü: Preprint research paper.
Hakemlik durumu: PDF açıkça çalışmanın hakem değerlendirmesinden geçmediğini belirtmektedir.
Platform: SSRN, abstract 7477255.
Yayın tarihi: SSRN kayıt sayfasında 17 Eylül 2026 tarihinde yayımlanmış/posted olarak görünmektedir.
DOI: 10.2139/ssrn.7477255.
Dergi: Kaynak bir dergi makalesi olarak yayımlanmış sürüm değil; bu dosya SSRN preprint sürümüdür.
Lisans: PDF ve doğrulanan SSRN bibliyografik kaydında makalenin yeniden kullanımını açıkça yetkilendiren bir Creative Commons lisansı tespit edilmemiştir. Bu nedenle Verianla içinde kaynak şekillerinin ekran görüntüsü veya stil kopyası kullanılmamış; yöntem ilişkileri bağımsız SVG şemasıyla yeniden ifade edilmiş ve sayısal sonuçlar özgün HTML tablo düzeninde aktarılmıştır.
Bibliyografik kayıt farkı: Yüklenen PDF, yazarı Konglin Zhu olarak ve Ran Li'yi Nanjing University of Information Science and Technology ile ilişkili a/b/c afiliasyonları altında gösterir. SSRN'nin güncel web meta kaydı ise Zhu adını Konlin Zhu biçiminde ve Ran Li afiliasyonunu East China Normal University olarak göstermektedir. Bu Verianla metninde araştırmacı kimliği için yüklenen PDF'deki yazım ve afiliasyon esas alınmış, fark gizlenmemiştir.
Finansman / çıkar çatışması / veri erişilebilirliği / CRediT: Yüklenen PDF'de ayrı ve açık bir finansman, çıkar çatışması, veri erişilebilirliği veya CRediT yazar katkısı beyanı tespit edilmemiştir. Deneylerin MSW, WESAD ve ExtraSensory adlı açık veri kümelerine dayandığı kaynakta belirtilmektedir; bu durum ayrı bir veri erişilebilirliği beyanının yerine geçirilmemelidir.
Temel yöntemsel sınır: Çalışma kamuya açık veri kümeleri ve kontrollü deneysel erişim/gürültü koşulları üzerinde model değerlendirmesidir. Prospektif klinik çalışma, gerçek kullanıcı müdahalesi, gerçek cihaz üstü dağıtım veya fiziksel kuantum donanımı testi değildir.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir