QuXAI : Explicateurs pour les modèles hybrides d'apprentissage automatique quantique

QuXAI: Explainers for Hybrid Quantum Machine Learning Models

May 15, 2025

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

cs.AI

Résumé

L'émergence des modèles hybrides quantiques-classiques d'apprentissage automatique (HQML) ouvre de nouveaux horizons en matière d'intelligence computationnelle, mais leur complexité fondamentale conduit fréquemment à un comportement de boîte noire qui compromet la transparence et la fiabilité de leur application. Bien que l'IA explicable (XAI) pour les systèmes quantiques en soit encore à ses balbutiements, un important déficit de recherche est évident en ce qui concerne les approches robustes d'explicabilité globale et locale conçues pour les architectures HQML qui utilisent un encodage quantifié des caractéristiques suivi d'un apprentissage classique. Ce déficit est au cœur de ce travail, qui introduit QuXAI, un cadre basé sur Q-MEDLEY, un outil d'explication pour interpréter l'importance des caractéristiques dans ces systèmes hybrides. Notre modèle implique la création de modèles HQML intégrant des cartes de caractéristiques quantiques, l'utilisation de Q-MEDLEY, qui combine des inférences basées sur les caractéristiques, préserve l'étape de transformation quantique et visualise les attributions résultantes. Nos résultats montrent que Q-MEDLEY met en évidence les aspects classiques influents dans les modèles HQML, tout en isolant leur bruit, et rivalise favorablement avec les techniques XAI établies dans des contextes de validation classiques. Les études d'ablation révèlent de manière plus significative les vertus de la structure composite utilisée dans Q-MEDLEY. Les implications de ce travail sont d'une importance cruciale, car il offre une voie pour améliorer l'interprétabilité et la fiabilité des modèles HQML, favorisant ainsi une plus grande confiance et permettant un usage plus sûr et plus responsable de la technologie d'IA améliorée par le quantique.

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.