HQxDeepFM ni modeli mseto ya mwingiliano wa vipengele vya quantum-classical iliyoundwa kuchakata kwa pamoja vipengele vinavyoruhusiwa vya kifiziolojia, kimuktadha, vya kifaa, historia ya huduma na uidhinishaji wa mtumiaji katika vifaa vinavyovaliwa na huduma za simu/saa zinazolenga wanawake, huku ikizingatia faragha na kelele. Modeli hudumisha mgawanyo wa kiutendaji wa xDeepFM katika athari za kiwango cha chini, mwingiliano wazi wa kiwango cha juu na uwakilishi fiche usio wa mstari; lakini hubadilisha matawi ya kawaida ya Linear, CIN na DNN kwa matawi ya QLinear, QCIN na QDNN yanayotegemea mizunguko mifupi ya quantum inayobadilika (Variational Quantum Circuit, VQC), kwa mpangilio huo. Matawi haya huzalisha thamani za matarajio za Pauli-Z kama uwakilishi wa vipengele vilivyopimwa, kisha matokeo huunganishwa katika kichwa chepesi cha muunganiko wa kawaida.

Utafiti unatathmini seti tatu za data zilizo wazi: Menstrual Sleep-Wake (MSW) inawakilisha kazi ya dirisha la huduma ya mzunguko wa hedhi inayosaidiwa na saa janja na kulenga wanawake; WESAD inawakilisha msaada wa mfadhaiko/athari kupitia kifaa kinachovaliwa; na ExtraSensory inawakilisha utambuzi wa muktadha unaotegemea simu na saa. Majaribio makuu hutumia uthibitishaji wa mikunjo mitano uliojitenga kwa mshiriki katika MSW, kwa mhusika katika WESAD na kwa mtumiaji katika ExtraSensory ili kupunguza uvujaji wa utambulisho. Pia huchunguzwa hali ambapo makundi ya vipengele hayawezi kutumiwa kwa sababu za sera, sensa zinazokosekana, uondoaji wa matawi, uwezo wa VQC wa qubit 2–8, kina cha mzunguko 2/4/6, pamoja na njia za kelele za phase damping, amplitude damping na depolarization.

Katika wastani wa mikunjo mitano, HQxDeepFMEM inatoa kwa MSW AUC 0,712 na Macro-F1 0,629; kwa WESAD AUC 0,910 na Macro-F1 0,838; na kwa ExtraSensory AUC 0,818 na Macro-F1 0,773. Katika jedwali hilo hilo, thamani za AUC za ulinganisho wa kawaida wenye nguvu zaidi ni 0,699, 0,898 na 0,806 kwa mpangilio huo. Kwa hiyo, utafiti unapendekeza kuwa muundo mseto uliopendekezwa hutoa ongezeko dogo lakini thabiti la utendaji wa wastani na uwiano unaofaa zaidi kati ya usahihi na vigezo vinavyofundishika katika kazi zilizotathminiwa. Hata hivyo, utafiti ni preprint; hautoi jaribio la umuhimu wa kitakwimu, uthibitishaji kwenye maunzi halisi ya quantum, athari ya kimatibabu, kukubalika kwa watumiaji halisi au vipimo vya nishati/ucheleweshaji kwenye kifaa. Kwa hiyo, matokeo hayapaswi kujumlishwa moja kwa moja kama ubora wa kimatibabu katika huduma halisi za afya ya wanawake.

Kwa nini tatizo la utafiti si tu “usahihi wa juu zaidi wa utabiri”?

Katika huduma za afya na ustawi zinazotumia vifaa vinavyovaliwa, ingizo za modeli zinaweza kutokuwa thabiti. Mtumiaji anaweza kutoshiriki baadhi ya taarifa, sensa inaweza kutofanya kazi wakati huo, sera ya programu inaweza kutoruhusu matumizi ya kipengele fulani, au muktadha wa kifaa unaweza kubadilika. Kwa hiyo, tatizo kuu la utafiti si tu kuunganisha vipengele vingi na kufanya uainishaji; ni kujenga safu ya uamuzi inayoweza kufanya kazi tu kwa makundi ya vipengele yaliyoruhusiwa, ambayo tabia yake inaweza kufuatiliwa chini ya ingizo zinazokosekana, na ambayo ukubwa wa modeli unaweza kuwekwa kuwa wa kiasi.

Chanzo kinachunguza tatizo hili hasa katika hali za huduma zinazolenga wanawake. Dirisha la huduma kama msaada wa mzunguko wa hedhi linaweza kuhitaji tathmini ya pamoja ya wakati wa kulala, muda wa kulala, uthabiti wa mdundo, viashiria vinavyotokana na joto la msingi la mwili, muda wa mzunguko, taarifa za kujiripoti za hiari na sera ya ufikiaji. Hata hivyo, haidaiwi kwamba modeli inachukua nafasi ya mtaalamu wa afya, utambuzi wa kimatibabu au sera ya programu; modeli inawekwa kama sehemu ya msaada wa uamuzi inayofanya kazi baada ya safu ya sera.

HQxDeepFM ni Nini na Inatofautianaje na xDeepFM?

HQxDeepFM ni usanifu mseto unaodumisha kazi tatu kuu za xDeepFM huku ukiwakilisha kila kazi kwa mzunguko wake mfupi wa quantum unaobadilika: QLinear hushughulikia athari za kiwango cha chini, QCIN mwingiliano wazi wa kuvuka-maeneo, na QDNN uwakilishi fiche usio wa mstari; vipengele vya matarajio ya Pauli-Z kutoka matawi hayo matatu huunganishwa baadaye katika kichwa cha muunganiko wa kawaida.

Katika xDeepFM, tawi la Linear huwakilisha michango binafsi/ya kiwango cha chini, Compressed Interaction Network (CIN) huwakilisha mwingiliano wazi wa vipengele vya kiwango cha juu, na mtandao wa neva wa kina (DNN) huwakilisha mwingiliano fiche. Chaguo la usanifu la HQxDeepFM ni kuweka VQC inayolingana na jukumu katika kila moja ya kazi hizi tatu badala ya kuongeza “safu ya quantum” moja kwa modeli nzima. Hivyo watafiti wanaweza kuchunguza kwa uondoaji ni tawi gani la kiutendaji lina mchango muhimu zaidi wakati utendaji unabadilika.

Msingi wa kihisabati wa mpaka wa faragha

Mlinganyo (1) unafafanua kuwa mfano mmoja wa huduma una makundi matano ya vipengele: \(x^w\) fiziolojia inayovaliwa; \(x^c\) muktadha au hali ya kifaa; \(x^s\) maeneo ya kujiripoti au dalili; \(x^h\) historia ya huduma; na \(x^a\) viashiria vya upatikanaji/sera. Usemi huu si mlinganyo wa utendaji bali ni ufafanuzi wa ingizo unaoonyesha data imegawanywa katika makundi gani ya kisemantiki. Vigezo si lazima viwe vipimo binafsi vyenye kitengo cha moja kwa moja cha kimwili; kila kundi linaweza kuwa na vipengele kadhaa vilivyopimwa upya au vilivyowekwa embedding.

Katika Mlinganyo (2), \(g\) ni vekta ya upatikanaji ya binary katika kiwango cha kundi la vipengele. Kwa kundi fulani, ikiwa \(g=1\), kundi hupitishwa kwenye modeli; ikiwa \(g=0\), kundi husika hufichwa kutokana na chaguo la mtumiaji, sera ya programu au kutokuwepo kwa sensa. Kihisabati, hii huweka mchango wa kundi katika ingizo la modeli kuwa sifuri. Maana yake ya kisayansi ni kugeuza dhana ya “faragha” kutoka lebo ya kimaadili ya kufikirika kuwa sharti la ufikiaji wa vipengele linalodhibitiwa kwa majaribio. Hata hivyo, maski hii haiwakilishi ukamilifu wa kijamii au kisheria wa ridhaa halisi ya mtumiaji; katika utafiti inatumika kama sharti la majaribio.

Mlinganyo (3) unafafanua uwezekano wa darasa lengwa unapopewa ingizo lililofichwa \(\tilde{x}\) na vigezo vinavyofundishika \(\Theta\). \(y\) ni lebo ya “dirisha la msaada” au “utayari wa huduma”; \(\hat{y}\) ni utabiri wa modeli. Uwezekano huu haupaswi kufasiriwa kama uwezekano wa hatari ya kimatibabu; ni matokeo ya modeli ya lengo la uainishaji lililofafanuliwa kulingana na seti ya data.

Mpaka wa Faragha Unatumikaje kwa Ingizo za Modeli?

Katika utafiti, mpaka wa faragha unatumika zaidi kwa kugawa vipengele katika makundi kama fiziolojia, muktadha/kifaa, kujiripoti, historia ya huduma na sera ya ufikiaji na kuvificha kwa vekta ya ruhusa ya binary katika kiwango cha kundi, badala ya kufuta vipengele kimoja kimoja baadaye; hivyo modeli hulazimika kujifunza mwingiliano kutoka kwa makundi yaliyoruhusiwa yaliyobaki badala ya kundi lisilopatikana.

Mbinu hii pia inaruhusu jaribio la “sensa inayokosekana” kuchunguzwa katika mfumo mmoja. Watafiti hulinganisha hali ya vipengele kamili na hali ambapo makundi fulani huhifadhiwa kwa hatua na hupima ni kiasi gani cha AUC kinabaki. Kwa hivyo, modeli haitathminiwi tu kwa utendaji wa juu chini ya data kamili bali pia kwa uimara wake wa jamaa katika hali ambazo ufikiaji wa data umepunguzwa.

Tawi la mzunguko wa quantum unaobadilika huzalishaje vipengele?

Mlinganyo (4) unaonyesha kuwa katika kila tawi \(q\), vekta ya ingizo ya kawaida \(v_q\) kwanza husimbwa kwenye hali ya quantum kwa msimbaji wa data \(U_{enc}\), kisha hubadilishwa na kizuizi cha variational \(U_q\) chenye vigezo vinavyofundishika \(\theta_q\). \(n_q\) ni upana wa qubit wa tawi. Matokeo ya mzunguko si lebo ya darasa moja kwa moja; thamani ya matarajio ya observable ya Pauli-Z \(\langle Z_i\rangle\) hupimwa kwa kila qubit na hizi huunda vekta ya vipengele \(e_q\). Matarajio ya Pauli-Z hayana kipimo na kwa hali bora yanawakilisha wastani wa observable ya quantum kati ya −1 na +1.

Chanzo kinasema kuwa kila tawi hutumia usimbaji wa pembe na vizuizi vinavyojirudia vya mzunguko–entanglement. “Kina cha mzunguko” hapa ni idadi ya marudio ya vizuizi hivi vinavyofundishika. Katika uchanganuzi wa unyeti, upana wa tawi ulipitiwa kwa qubit 2, 4, 6 na 8; na kina cha mzunguko kwa 2, 4 na 6. Kwa kuwa utafiti hauripoti jina la kifaa halisi cha quantum, backend ya maunzi halisi au idadi ya shot za maunzi, matokeo haya hayapaswi kusomwa kama utendaji wa maunzi halisi ya quantum.

Matokeo ya matawi matatu ya quantum yanaunganishwaje?

Katika Mlinganyo (5), \(e_{QL}\), \(e_{QCIN}\) na \(e_{QDNN}\) ni vipengele vilivyopimwa vya matawi matatu ya quantum. Mabano mraba yanaonyesha kuunganisha, \(h(\cdot)\) kichwa chepesi cha muunganiko wa kawaida, na \(\sigma\) mabadiliko ya sigmoid. Hivyo mizunguko ya quantum hufanya kazi kama wazalishaji wa vipengele vya kati, huku kichwa cha kawaida kikiwa mtabiri wa mwisho wa uwezekano. Mgawanyo huu mseto unaonyesha wazi kwamba utafiti haudai “modeli ya quantum hufanya uainishaji wote peke yake”.

QCIN hudumishaje mwingiliano wazi?

Mlinganyo (6) unaeleza hatua ya mwingiliano uliobanwa inayodumisha mantiki ya mwingiliano wazi wa kuvuka katika familia ya xDeepFM/CIN. \(x^{0}_{j,*}\) ni embedding ya eneo asili, \(x^{k-1}_{i,*}\) ni hali katika safu iliyotangulia ya mwingiliano, \(W^{k,h}_{ij}\) ni mgawo unaofundishika, na \(\odot\) inaonyesha Hadamard, yaani kuzidisha kipengele-kwa-kipengele. \(m\) inawakilisha idadi ya maeneo asili na \(H_{k-1}\) idadi ya ramani za mwingiliano katika safu iliyotangulia. Jukumu la kihisabati ni kuunda mwingiliano wazi wa kiwango cha juu kwa kuunganisha bidhaa za kipengele-kwa-kipengele za jozi za maeneo kwa uzani unaofundishika. Katika HQxDeepFM, vipengele hivi vya kuvuka kisha hubadilishwa kuwa vipengele vya matarajio ya Pauli-Z na kitengo cha kubana cha VQC.

Hasara ya mafunzo inaoptimisha nini?

Mlinganyo (7) unaunganisha binary cross-entropy na urekebishaji wa L2. Neno la kwanza huadhibu hitilafu ya uainishaji kati ya lebo halisi \(y_i\) na utabiri \(\hat{y}_i\); neno la pili huzuia ukubwa wa vigezo vya modeli \(\Theta\) kwa mgawo \(\lambda\). \(N\) inawakilisha idadi ya sampuli katika mini-batch au kundi la hesabu. Lengo ni kudumisha utendaji wa jumla kwa ukubwa wa vigezo ulio sawia badala ya kuendana kupita kiasi na data ya mafunzo pekee. Chanzo kinatoa mlinganyo huu, lakini hakiripoti kwa uwazi maelezo ya mafunzo kama aina ya optimizer, kiwango cha kujifunza, ukubwa wa batch na idadi ya epoch.

Utendaji unapimwaje wakati ufikiaji wa vipengele unapungua?

Mlinganyo (8) unapima hasara kamili kati ya AUC yenye vipengele kamili na AUC chini ya maski ya ufikiaji. Kadiri thamani inavyoongezeka, ndivyo kuweka kundi la vipengele kumepunguza zaidi uwezo wa modeli kutofautisha. Mlinganyo (9) unatoa mabadiliko hayo hayo kama uhifadhi wa AUC kwa asilimia. Utendaji wenye vipengele kamili huchukuliwa kuwa %100; kwa mfano, \(R_{AUC}\) ya %90 humaanisha kuwa %90 ya AUC ya vipengele kamili imehifadhiwa katika hali iliyofichwa. Uwiano huu hurahisisha kulinganisha uimara wa jamaa hata kama AUC za kuanzia za seti tofauti za data zinatofautiana.

HQxDeepFMEM Inapunguzaje Kelele ya Quantum?

HQxDeepFMEM baada ya kufundisha matawi ya quantum ya modeli safi huyafungia; kwa kutumia tu wasifu wa matarajio safi na wenye kelele yaliyokunjwa uliotengenezwa katika fold ya mafunzo, hujifunza modeli ya MLP ya zero-noise extrapolation, na katika fold ya uthibitishaji hubadilisha matarajio yenye kelele ya Pauli-Z kwa thamani zilizokadiriwa za sifuri-kelele, kisha huzalisha utabiri upya kupitia kichwa kilekile cha muunganiko wa kawaida.

Mlinganyo (10) unawakilisha kelele ya quantum kama njia chanya kabisa na inayohifadhi trace (completely positive trace-preserving, CPTP). \(\rho\) ni matriksi ya msongamano wa ingizo, \(\rho'\) hali baada ya kelele, \(\mathcal{E}\) ni njia, na \(A_i\) ni waendeshaji wa Kraus. Katika utafiti, phase damping, amplitude damping na depolarization hutumika katika mfumo huu kama michakato ya upotoshaji inayodhibitiwa. Mlinganyo huu pekee “hausahihishi” kelele; ni uwakilishi wa kihisabati wa mabadiliko halali ya kelele kimwili.

Katika hatua ya kupunguza hitilafu, regresa ya MLP-ZNE \(f_{\phi}\) hujifunza kukadiria rejeleo la matarajio safi kutokana na matarajio yaliyokunjwa yaliyopatikana katika viwango tofauti vya kelele. Jozi za mafunzo hutengenezwa tu kutoka fold ya mafunzo; lebo za uthibitishaji au malengo ya downstream hayatumiki kufundisha regresa hii. Mgawanyo huu unalenga kuzuia uvujaji wa taarifa za uthibitishaji katika hatua ya kupunguza hitilafu. Utendaji baada ya kelele huripotiwa kwa uwiano wa uhifadhi wa \(100\times AUC_{mitigated}(p)/AUC_{clean}\).

Je, njia za kelele huleta ugumu sawa?

Hapana. Ramani za joto za utafiti zinaonyesha kwamba katika viwango vya chini na vya kati vya kelele, uhifadhi mkubwa wa AUC unaweza kuonekana baada ya MLP-ZNE chini ya phase damping na amplitude damping, ilhali kelele ya depolarization husababisha upotevu mkubwa zaidi wa utendaji. Kwa uwezekano wa kelele \(p\), viwango vya 0,01, 0,03, 0,05, 0,10 na 0,15; na kwa idadi ya qubit, safu za 2, 4, 6 na 8 zilichunguzwa. Tafsiri ya waandishi ni kwamba depolarization huharibu kwa upana zaidi matarajio ya Pauli-Z yanayobeba ishara na kuacha muundo wa hitilafu usio na mpangilio mkubwa kwa ekstrapolyatsia inayotegemea MLP.

Je, matokeo haya yanaonyesha quantum advantage halisi?

Utafiti hauonyeshi “quantum advantage” wala faida ya kihesabu isiyofikiwa na kompyuta za kawaida. Ulinganisho unahusu metrika za uainishaji, mzigo wa vigezo vinavyofundishika, uimara chini ya ufikiaji wa vipengele na uhifadhi wa AUC chini ya kelele inayodhibitiwa kwa usanifu fulani mseto. Kwa kuwa ucheleweshaji wa maunzi halisi ya quantum, gharama ya shot, muda wa uchakataji wa quantum, urekebishaji wa hitilafu au matumizi ya nishati hayajaripotiwa, matokeo yanapaswa kutathminiwa kama majaribio ya kiwango cha algoriti/modeli.

Mbinu na Matokeo ya Utafiti

Seti za data na kazi

Lebo huundwa kabla ya mafunzo ya modeli kutoka maelezo au maeneo yaliyopo ya seti za data zilizo wazi. MSW ndiyo msingi mkuu wa utafiti unaohusu wanawake. WESAD na ExtraSensory haziwasilishwi kama seti za data zinazohusu wanawake moja kwa moja; zinatumika kujaribu vipengele vya huduma vinavyoweza kuhamishwa kama ustawi wa kihisia na utambuzi wa muktadha. Tofauti hii huzuia ujumlishaji usio sahihi kwamba “uthibitishaji wa kimatibabu mahususi kwa wanawake ulifanywa katika seti zote tatu za data”.

Modeli za kulinganisha

Utafiti hutumia Logistic Regression (LR), Random Forest (RF), LightGBM, DeepFM, xDeepFM na AutoInt kama msingi wa kulinganisha. Kundi hili linajumuisha familia mbalimbali za modeli za kawaida kutoka mipaka ya uamuzi ya mstari hadi mikusanyiko ya miti; kutoka mwingiliano wazi wa kiwango cha juu hadi uwakilishi wa kina na unaotegemea umakini. HQxDeepFM na HQxDeepFMEM zimeundwa kutumia ukubwa uleule wa embedding na muundo wa matawi kama xDeepFM; hivyo waandishi hujaribu kutoeleza tofauti ya utendaji kwa uwakilishi mkubwa zaidi wa ingizo pekee.

Matokeo makuu ya utendaji

Thamani za juu zaidi za wastani wa AUC na Macro-F1 katika jedwali ziko kwenye mstari wa HQxDeepFMEM kwa seti zote tatu za data. Katika hesabu rahisi ya tofauti iliyofanywa na Verianla kutoka kwa thamani za jedwali pekee, AUC ya HQxDeepFMEM ni kubwa kwa +0,013 katika MSW, +0,012 katika WESAD na +0,012 katika ExtraSensory kuliko AUC ya juu zaidi ya kawaida katika kila seti ya data. Kwa Macro-F1, tofauti hizo kamili ni +0,014, +0,017 na +0,017 kwa mpangilio huo. Haya si matokeo mapya ya majaribio wala ukubwa wa athari za kitakwimu; ni tofauti za kihesabu kati ya wastani katika jedwali la chanzo. Kwa kuwa makala hairipoti p-value, confidence interval au paired significance test, tofauti hizi hazipaswi kufasiriwa kama “ubora uliothibitishwa kitakwimu”.

Uwiano wa usahihi–ukompakti

Grafu ya usahihi–ukompakti ya chanzo inaonyesha kwamba familia ya HQxDeepFM imehamia eneo linalounganisha AUC ya juu zaidi na mzigo mdogo wa vigezo vinavyofundishika vya injini ya utabiri kuliko modeli za kawaida za mwingiliano wa kina. Hesabu ya vigezo inajumuisha vipengele vya embedding/projection, pembe zinazofundishika za VQC na kichwa cha muunganiko wa kawaida; kwa HQxDeepFMEM, regresa ya MLP-ZNE pia huhesabiwa. Uchakataji wa awali na waendeshaji wa njia za kelele hawajumuishwi katika hesabu ya vigezo vinavyofundishika. Ingawa grafu ya chanzo inaonyesha nafasi za takriban za vigezo, hakuna jedwali la vigezo kamili kwa kila modeli katika maandishi, kwa hiyo hapa hakuna nambari mpya kamili za vigezo zilizotengenezwa.

Uondoaji wa tawi unaonyesha nini?

Katika uondoaji uliofanywa chini ya mgawanyo uleule wa data, kuondolewa kwa QDNN kunasababisha upungufu mkubwa zaidi wa utendaji. Ugunduzi huu unapendekeza kwamba uwakilishi fiche usio wa mstari ni mojawapo ya matawi yenye nguvu zaidi kwa mifumo inayotofautisha katika data za vifaa vinavyovaliwa na simu/saa. Kuondolewa kwa QCIN pia hudhoofisha utendaji kwa kiasi kikubwa; hali hii inaunga mkono mchango wa mwingiliano wazi wa kuvuka kati ya fiziolojia, muktadha, historia ya huduma na maski za ufikiaji. QLinear inapoondolewa, kushuka ni kwa wastani zaidi lakini thabiti; waandishi hufasiri hili kuwa athari za kiwango cha chini huunda msingi usiotawala lakini thabiti.

Ufikiaji wa vipengele na uimara dhidi ya sensa zinazokosekana

Katika jaribio la ufikiaji wa vipengele, sehemu kubwa zaidi ya makundi ya vipengele yaliyoidhinishwa huhifadhiwa kwa hatua, na uhifadhi wa AUC hufuatiliwa dhidi ya hali ya vipengele kamili. Grafu zinaonyesha kuwa utendaji wa modeli zote hupungua katika uwiano wa makundi ya vipengele yaliyohifadhiwa unaoongezeka kutoka 0 hadi %40, huku HQxDeepFM ikiripotiwa kuwa na mwelekeo wa juu zaidi wa uhifadhi wa AUC wa jamaa kuliko modeli za kawaida za mwingiliano zilizotathminiwa. Matokeo haya yanapendekeza kwamba modeli haitegemei kikamilifu mtiririko mmoja unaohusiana sana na faragha; lakini si jaribio la uwanjani la tabia halisi ya ridhaa ya watumiaji au hitilafu halisi za sensa.

Idadi ya qubit na kina cha mzunguko

Uchunguzi wa uwezo unalinganisha qubit 2, 4, 6 na 8 katika kila tawi la VQC; na kina cha mizunguko inayofundishika inayojirudia 2, 4 na 6. Tabia ya mkunjo si ya monotoniki: kutoka qubit 2 hadi upana wa kati huongeza AUC katika kazi nyingi, ilhali katika qubit 8 faida inaweza kufikia ukomo au kupungua. Sehemu ya mjadala hufasiri safu ya qubit 4–6 kama eneo la kazi lenye uwiano bora zaidi kati ya usahihi na mzigo wa rasilimali/kelele kwa kazi zilizotathminiwa. Hii si idadi bora ya qubit kwa matumizi yote ya VQC; ni mwelekeo ulioonekana tu kwa kazi hizi na itifaki hii ya majaribio.

Uhifadhi wa AUC baada ya kelele

Hatua ya MLP-ZNE ya HQxDeepFMEM hutoa uhifadhi mkubwa wa AUC katika viwango vya chini hadi vya kati vya kelele chini ya phase damping na amplitude damping. Katika ramani za joto, kelele ya depolarization husababisha kushuka kwa kasi zaidi, hasa katika thamani kubwa za \(p\). Kwa mfano, katika mstari wa \(p=0,15\) wa ramani ya joto ya chanzo, thamani za uhifadhi chini ya depolarization zinaweza kushuka takribani kutoka sehemu ya chini ya safu ya 80 hadi sehemu ya juu ya safu ya 80 kulingana na seti ya data na idadi ya qubit; thamani hizi zimesomwa kutoka kwenye kielelezo na hazipaswi kujumlishwa hapa kama mgawo mmoja kamili. Ujumbe mkuu wa kisayansi ni kwamba kupunguza hitilafu hakuondoi kelele kabisa na depolarization hubaki kuwa njia ngumu zaidi.

Matokeo yanayoungwa mkono na utafiti

• HQxDeepFM inayounganisha matawi ya QLinear, QCIN na QDNN yanayolingana na jukumu ilitoa wastani wa juu zaidi wa AUC na Macro-F1 kuliko ulinganisho wa kawaida katika kazi tatu zilizotathminiwa.
• HQxDeepFMEM ilionyesha ongezeko dogo la ziada la wastani ikilinganishwa na HQxDeepFM baada ya zero-noise extrapolation inayosaidiwa na MLP.
• Muundo wa mikunjo mitano uliotenganishwa kwa mshiriki/mhusika/mtumiaji unalenga kupunguza uvujaji unaotegemea utambulisho ambao unaweza kutokea ikiwa mtu yuleyule yupo upande wa mafunzo na uthibitishaji.
• Uhifadhi wa AUC wa jamaa chini ya maski za ufikiaji wa vipengele unaweza kutumika kupima jinsi modeli inavyoharibika makundi ya taarifa yaliyoruhusiwa yanapopungua.
• Uondoaji wa matawi ulionyesha muundo ambapo QDNN ina mchango mkubwa zaidi, QCIN mchango muhimu na QLinear mchango wa wastani zaidi lakini thabiti.
• Kuongeza upana wa qubit hakukuleta matokeo bora moja kwa moja; katika kazi zilizotathminiwa safu ya kati ya qubit 4–6 ilionekana kuwa na uwiano bora zaidi.
• Kelele ya depolarization ilionekana kuwa ngumu zaidi kwa kupunguza hitilafu kuliko phase damping na amplitude damping.

Ujumlishaji ambao utafiti hauungi mkono

• Matokeo haya hayaonyeshi kwamba HQxDeepFM inaweza kufanya utambuzi wa kliniki wa afya ya wanawake au kuboresha matokeo ya afya.
• Matokeo ya WESAD na ExtraSensory si uthibitishaji wa kimatibabu mahususi kwa wanawake; ni kazi za stress na utambuzi wa muktadha zinazoweza kuhamishwa.
• Maski za vipengele zilizoainishwa na sera hazithibitishi taratibu halisi za kisheria za ridhaa ya watumiaji, mtazamo wa faragha au tabia ya muda mrefu.
• Utafiti hauonyeshi faida ya kasi, nishati, kiwango cha hitilafu au gharama kwenye maunzi ya quantum ya kimwili.
• Tofauti za wastani za AUC/Macro-F1 si ushahidi wa ubora wa jumla kwa sababu hakuna jaribio la umuhimu wa kitakwimu lililoripotiwa.
• Uchunguzi wa qubit 4–6 haupaswi kuchukuliwa kuwa optimum ya jumla kwa seti nyingine za data, mizunguko mirefu zaidi au maunzi tofauti ya quantum.

Maelezo yanayokosekana kwa uzalishaji upya

Chanzo kinaeleza milinganyo ya usanifu, itifaki ya mikunjo iliyotenganishwa, modeli za kulinganisha, uchunguzi wa qubit/kina, njia za kelele na metrika kuu. Kwa upande mwingine, sehemu za mbinu na majaribio za PDF haziripoti wazi aina ya optimizer, kiwango cha kujifunza, ukubwa wa mini-batch, idadi ya epoch, mpangilio wa early stopping, random seeds, idadi ya shot za vipimo vya quantum, programu/simulator ya quantum iliyotumiwa au backend ya maunzi ya kimwili, ukubwa wa safu za MLP-ZNE na thamani mahususi za coefficients za kuongeza kelele. Mapungufu haya yanazuia uzalishaji upya wa majaribio kwa usahihi bila source code au nyenzo za ziada.

Hii ina maana gani kwa matumizi?

Wazo kuu la matumizi katika utafiti si kauli pana kama “quantum AI kwa afya ya wanawake”; ni wazo la safu ya uamuzi yenye ukompakti inayoweza kufanya kazi kulingana na makundi ya data yaliyoruhusiwa na ambayo mchango wa kila tawi la kiutendaji la mwingiliano unaweza kuchunguzwa. Safu kama hii inaweza kutumiwa baadaye kabla ya huduma kama msaada wa mzunguko wa hedhi, arifa za stress/ustawi au onyo la usalama linalozingatia muktadha. Lakini kwa matumizi halisi, tafiti za watumiaji, tathmini tarajiwa iliyoidhinishwa kimaadili, faraja kuhusu faragha, gharama ya onyo la uongo, ucheleweshaji, matumizi ya nishati, uaminifu wa maunzi na kufuata kanuni vinapaswa kuthibitishwa kando.

Maelezo ya Chanzo na Mbinu

Utafiti asili: Role-Aligned Quantum–Classical Feature Interaction for Privacy-Bounded Women-Centric Wearable Services.

Waandishi: Wenbin Yu; Yanfeng Fan; Youle Wang; Hanmiao Cheng; Ran Li; Konglin Zhu; Yadang Chen.

Corresponding author: Hanmiao Cheng. Katika PDF mwandishi anayewajibika ameonyeshwa kwa alama ya nyota.

Mchango sawa: Hakuna tamko la mchango sawa/waandishi wenza wa kwanza lililotambuliwa katika PDF ya chanzo.

Affiliations: 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.

Aina ya chanzo: Preprint research paper.

Hali ya mapitio: PDF inaeleza wazi kuwa utafiti haujapitia peer review.

Jukwaa: SSRN, abstract 7477255.

Tarehe ya kuchapishwa: Ukurasa wa rekodi wa SSRN unaonyesha kuwa uliwekwa/posted tarehe 17 Septemba 2026.

DOI: 10.2139/ssrn.7477255.

Jarida: Chanzo si toleo lililochapishwa kama makala ya jarida; faili hii ni toleo la SSRN preprint.

Leseni: Hakuna leseni ya Creative Commons iliyotambuliwa katika PDF na rekodi ya bibliografia ya SSRN iliyothibitishwa ambayo inaruhusu wazi matumizi ya upya ya makala. Kwa hiyo, ndani ya Verianla, picha za chanzo hazikutumiwa kama screenshot wala nakala ya mtindo; uhusiano wa mbinu uliwasilishwa upya kwa mchoro huru wa SVG na matokeo ya namba yaliwasilishwa katika mpangilio asili wa jedwali la HTML.

Tofauti ya rekodi ya bibliografia: PDF iliyopakiwa inaonyesha mwandishi kama Konglin Zhu na Ran Li chini ya affiliations a/b/c zinazohusiana na Nanjing University of Information Science and Technology. Rekodi ya sasa ya web meta ya SSRN inaonyesha jina la Zhu kama Konlin Zhu na affiliation ya Ran Li kama East China Normal University. Katika maandishi haya ya Verianla, tahajia na affiliation katika PDF iliyopakiwa zimetumika kama msingi wa utambulisho wa mtafiti, na tofauti haijafichwa.

Ufadhili / mgongano wa maslahi / upatikanaji wa data / CRediT: Hakuna tamko tofauti na la wazi la ufadhili, mgongano wa maslahi, upatikanaji wa data au mchango wa mwandishi wa CRediT lililotambuliwa katika PDF iliyopakiwa. Chanzo kinasema kuwa majaribio yanategemea seti za data zilizo wazi za MSW, WESAD na ExtraSensory; hali hii haipaswi kuchukuliwa kuwa mbadala wa tamko tofauti la upatikanaji wa data.

Kizuizi kikuu cha kimetodolojia: Utafiti ni tathmini ya modeli kwenye seti za data zilizo wazi kwa umma na katika hali za majaribio zinazodhibitiwa za ufikiaji/kelele. Si utafiti tarajiwa wa kimatibabu, uingiliaji wa mtumiaji halisi, usambazaji kwenye kifaa halisi au jaribio la maunzi ya quantum ya kimwili.