QuXAI: 하이브리드 양자 머신러닝 모델을 위한 설명 도구

QuXAI: Explainers for Hybrid Quantum Machine Learning Models

May 15, 2025

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

cs.AI

초록

하이브리드 양자-클래식 머신러닝(HQML) 모델의 등장은 계산 지능의 새로운 지평을 열었지만, 그 근본적인 복잡성은 종종 블랙박스 행동으로 이어져 응용에서의 투명성과 신뢰성을 훼손합니다. 양자 시스템을 위한 설명 가능한 AI(XAI)는 아직 초기 단계에 있지만, 양자화된 특징 인코딩과 클래식 학습을 결합한 HQML 아키텍처를 위해 설계된 강력한 전역 및 지역 설명 가능성 접근법에서 주요 연구 격차가 뚜렷합니다. 이 연구는 이러한 격차에 초점을 맞추며, 이러한 하이브리드 시스템에서 특징 중요성을 설명하기 위한 Q-MEDLEY 기반의 프레임워크인 QuXAI를 소개합니다. 우리의 모델은 양자 특징 맵을 통합한 HQML 모델의 생성, 양자 변환 단계를 보존하면서 특징 기반 추론을 결합한 Q-MEDLEY의 사용, 그리고 결과적인 속성 시각화를 포함합니다. 우리의 결과는 Q-MEDLEY가 HQML 모델에서 영향력 있는 클래식 측면을 명확히 구분하고 노이즈를 분리하며, 클래식 검증 설정에서 기존 XAI 기술과 경쟁력 있음을 보여줍니다. 어블레이션 연구는 Q-MEDLEY에서 사용된 복합 구조의 장점을 더욱 명확히 드러냅니다. 이 연구의 함의는 매우 중요하며, HQML 모델의 해석 가능성과 신뢰성을 개선하여 양자 강화 AI 기술의 더 안전하고 책임 있는 사용을 촉진할 수 있는 길을 제공합니다.

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.