量子测量数据生成式学习的样本复杂度

研究提出了一个偏差-方差分析框架，用于确定有限数据下生成式学习量子测量分布的样本复杂度，将期望 KL 误差分解为表征偏差与估计方差。在充分采样机制下，该理论推导出最优误差随样本量 $N$ 从反幂次到 $\ln N$ 反幂次衰减的四类标度律。该框架在横场 Ising 模型的 Born 分布中成功预测了局域自回归模型的最优上下文半径与误差表现。