QuXAI: Erklärungsansätze für hybride Quanten-Machine-Learning-Modelle

QuXAI: Explainers for Hybrid Quantum Machine Learning Models

May 15, 2025

Autoren: Saikat Barua, Mostafizur Rahman, Shehenaz Khaled, Md Jafor Sadek, Rafiul Islam, Shahnewaz Siddique

cs.AI

Zusammenfassung

Das Aufkommen hybrider quantenklassischer maschineller Lernmodelle (HQML) eröffnet neue Horizonte der rechnerischen Intelligenz, doch ihre grundlegende Komplexität führt häufig zu Black-Box-Verhalten, das die Transparenz und Zuverlässigkeit ihrer Anwendung untergräbt. Obwohl XAI für Quantensysteme noch in den Kinderschuhen steckt, besteht eine deutliche Forschungslücke bei robusten globalen und lokalen Erklärungsansätzen, die für HQML-Architekturen entwickelt wurden, die quantisierte Merkmalskodierung gefolgt von klassischem Lernen verwenden. Diese Lücke steht im Mittelpunkt dieser Arbeit, die QuXAI vorstellt, ein auf Q-MEDLEY basierendes Framework zur Erklärung der Merkmalsbedeutung in diesen hybriden Systemen. Unser Modell umfasst die Erstellung von HQML-Modellen, die Quantenmerkmalabbildungen einbeziehen, die Verwendung von Q-MEDLEY, das merkmalsbasierte Schlussfolgerungen kombiniert, die Quantentransformationsphase bewahrt und die resultierenden Zuschreibungen visualisiert. Unsere Ergebnisse zeigen, dass Q-MEDLEY einflussreiche klassische Aspekte in HQML-Modellen abgrenzt sowie deren Rauschen separiert und sich gut gegen etablierte XAI-Techniken in klassischen Validierungsszenarien behauptet. Ablationsstudien verdeutlichen zudem die Vorzüge der in Q-MEDLEY verwendeten zusammengesetzten Struktur. Die Implikationen dieser Arbeit sind von entscheidender Bedeutung, da sie einen Weg zur Verbesserung der Interpretierbarkeit und Zuverlässigkeit von HQML-Modellen bietet und somit größeres Vertrauen sowie einen sichereren und verantwortungsbewussteren Einsatz von quantenverstärkter KI-Technologie fördert.

English

The emergence of hybrid quantum-classical machine learning (HQML) models opens new horizons of computational intelligence but their fundamental complexity frequently leads to black box behavior that undermines transparency and reliability in their application. Although XAI for quantum systems still in its infancy, a major research gap is evident in robust global and local explainability approaches that are designed for HQML architectures that employ quantized feature encoding followed by classical learning. The gap is the focus of this work, which introduces QuXAI, an framework based upon Q-MEDLEY, an explainer for explaining feature importance in these hybrid systems. Our model entails the creation of HQML models incorporating quantum feature maps, the use of Q-MEDLEY, which combines feature based inferences, preserving the quantum transformation stage and visualizing the resulting attributions. Our result shows that Q-MEDLEY delineates influential classical aspects in HQML models, as well as separates their noise, and competes well against established XAI techniques in classical validation settings. Ablation studies more significantly expose the virtues of the composite structure used in Q-MEDLEY. The implications of this work are critically important, as it provides a route to improve the interpretability and reliability of HQML models, thus promoting greater confidence and being able to engage in safer and more responsible use of quantum-enhanced AI technology.