QuXAI: Интерпретаторы для гибридных моделей квантового машинного обучения

QuXAI: Explainers for Hybrid Quantum Machine Learning Models

May 15, 2025

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

cs.AI

Аннотация

Появление гибридных квантово-классических моделей машинного обучения (HQML) открывает новые горизонты вычислительного интеллекта, однако их фундаментальная сложность часто приводит к поведению "черного ящика", что подрывает прозрачность и надежность их применения. Хотя объяснимый искусственный интеллект (XAI) для квантовых систем находится в зачаточном состоянии, очевиден значительный пробел в исследованиях, связанных с разработкой надежных глобальных и локальных подходов к объяснимости, предназначенных для архитектур HQML, которые используют квантованное кодирование признаков с последующим классическим обучением. Этот пробел является фокусом данной работы, которая представляет QuXAI — фреймворк, основанный на Q-MEDLEY, инструменте для объяснения важности признаков в таких гибридных системах. Наша модель включает создание HQML-моделей с использованием квантовых карт признаков, применение Q-MEDLEY, который объединяет выводы на основе признаков, сохраняет этап квантового преобразования и визуализирует полученные атрибуции. Наши результаты показывают, что Q-MEDLEY выделяет влиятельные классические аспекты в HQML-моделях, а также отделяет их шум и успешно конкурирует с устоявшимися методами XAI в классических условиях валидации. Исследования с использованием метода абляции более явно демонстрируют преимущества композитной структуры, используемой в Q-MEDLEY. Значение этой работы крайне важно, так как она предоставляет путь к улучшению интерпретируемости и надежности HQML-моделей, способствуя повышению уверенности и возможности более безопасного и ответственного использования квантово-усиленных технологий искусственного интеллекта.

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.