QuXAI: Uitlegmodules voor Hybride Kwantum Machine Learning Modellen

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

Samenvatting

De opkomst van hybride quantum-klassieke machine learning (HQML) modellen opent nieuwe horizonnen van computationele intelligentie, maar hun fundamentele complexiteit leidt vaak tot black box-gedrag dat de transparantie en betrouwbaarheid van hun toepassing ondermijnt. Hoewel XAI voor quantumsystemen nog in de kinderschoenen staat, is er een groot onderzoeksgat zichtbaar in robuuste globale en lokale verklaarbaarheidsbenaderingen die zijn ontworpen voor HQML-architecturen die gebruikmaken van gekwantiseerde feature encoding gevolgd door klassiek leren. Dit gat is de focus van dit werk, dat QuXAI introduceert, een raamwerk gebaseerd op Q-MEDLEY, een verklarende tool voor het verklaren van feature-importantie in deze hybride systemen. Ons model omvat het creëren van HQML-modellen die quantum feature maps incorporeren, het gebruik van Q-MEDLEY, dat feature-gebaseerde inferenties combineert, de quantumtransformatiefase behoudt en de resulterende attributies visualiseert. Onze resultaten tonen aan dat Q-MEDLEY invloedrijke klassieke aspecten in HQML-modellen afbakent, evenals hun ruis scheidt, en goed concurreert met gevestigde XAI-technieken in klassieke validatieomgevingen. Ablatiestudies tonen nog duidelijker de voordelen van de samengestelde structuur die in Q-MEDLEY wordt gebruikt. De implicaties van dit werk zijn van cruciaal belang, omdat het een route biedt om de interpreteerbaarheid en betrouwbaarheid van HQML-modellen te verbeteren, waardoor meer vertrouwen wordt bevorderd en een veiliger en verantwoordelijker gebruik van quantum-verbeterde AI-technologie mogelijk wordt.

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.