QuXAI: ハイブリッド量子機械学習モデルのための説明機能

QuXAI: Explainers for Hybrid Quantum Machine Learning Models

May 15, 2025

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

cs.AI

要旨

ハイブリッド量子古典機械学習（HQML）モデルの出現は、計算知能の新たな地平を開くものの、その根本的な複雑さゆえにブラックボックス化しやすく、適用における透明性と信頼性を損なうことが多い。量子システム向けの説明可能なAI（XAI）はまだ初期段階にあるが、量子化された特徴符号化に続いて古典的学習を採用するHQMLアーキテクチャ向けの、堅牢なグローバルおよびローカルな説明可能性アプローチにおける大きな研究ギャップが明らかである。本論文はこのギャップに焦点を当て、Q-MEDLEYを基盤としたQuXAIというフレームワークを導入する。Q-MEDLEYは、これらのハイブリッドシステムにおける特徴の重要度を説明するための説明器である。我々のモデルは、量子特徴マップを組み込んだHQMLモデルの作成、量子変換段階を保持しつつ特徴ベースの推論を組み合わせたQ-MEDLEYの使用、そして結果として得られる帰属の可視化を含む。結果として、Q-MEDLEYはHQMLモデルにおける影響力のある古典的側面を明らかにし、ノイズを分離し、古典的な検証設定において確立されたXAI技術と十分に競合することが示された。アブレーション研究は、Q-MEDLEYで使用される複合構造の利点をより顕著に明らかにする。本研究成果の意義は極めて重要であり、HQMLモデルの解釈可能性と信頼性を向上させる道筋を提供することで、量子強化AI技術のより安全で責任ある使用を促進し、より大きな信頼を得ることが可能となる。

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.