QuXAI: Explicadores para Modelos Híbridos de Aprendizaje Automático Cuántico

QuXAI: Explainers for Hybrid Quantum Machine Learning Models

May 15, 2025

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

cs.AI

Resumen

El surgimiento de modelos híbridos de aprendizaje automático cuántico-clásico (HQML, por sus siglas en inglés) abre nuevos horizontes en la inteligencia computacional, pero su complejidad fundamental frecuentemente conduce a un comportamiento de "caja negra" que socava la transparencia y la confiabilidad en su aplicación. Aunque la IA explicable (XAI) para sistemas cuánticos aún está en sus primeras etapas, existe una brecha de investigación evidente en enfoques robustos de explicabilidad global y local diseñados para arquitecturas HQML que emplean codificación de características cuantizadas seguida de aprendizaje clásico. Esta brecha es el foco de este trabajo, que introduce QuXAI, un marco basado en Q-MEDLEY, un explicador para la importancia de características en estos sistemas híbridos. Nuestro modelo implica la creación de modelos HQML que incorporan mapas de características cuánticas, el uso de Q-MEDLEY, que combina inferencias basadas en características, preserva la etapa de transformación cuántica y visualiza las atribuciones resultantes. Nuestros resultados muestran que Q-MEDLEY delinea aspectos clásicos influyentes en los modelos HQML, así como separa su ruido, y compite favorablemente contra técnicas XAI establecidas en entornos de validación clásica. Los estudios de ablación exponen de manera más significativa las virtudes de la estructura compuesta utilizada en Q-MEDLEY. Las implicaciones de este trabajo son de crucial importancia, ya que proporciona una ruta para mejorar la interpretabilidad y confiabilidad de los modelos HQML, promoviendo así una mayor confianza y permitiendo un uso más seguro y responsable de la tecnología de IA mejorada por la cuántica.

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.