经典数据编码下的量子机器学习基于间隔的泛化理论

研究者提出了一个基于间隔（margin）的泛化框架，用于处理输入经典数据并编码为量子态的量子机器学习任务，同时覆盖固定编码与可训练编码。针对可训练编码，团队通过两尺度覆盖论证推导出泛化界，引入了阶数为 $\tilde O(\sqrt{L/m})$ 的附加编码容量项。在跨越多种图像数据集和线路架构的 19,440 次模拟训练中，逆间隔在条件独立性与 90 分位符号误差标准下表现最优。