QuXAI: Explainers for Hybrid Quantum Machine Learning Models

要約

ハイブリッド量子機械学習（HQML）モデルの出現は、計算インテリジェンスの新しい視野を開きますが、その基本的な複雑さは、アプリケーションの透明性と信頼性を損なうブラックボックスの動作にしばしばつながります。
まだ初期段階にある量子システムのXaiは、量子化された特徴エンコーディングに続いて古典的な学習が続くHQMLアーキテクチャ向けに設計された堅牢なグローバルおよびローカルの説明可能性アプローチでは、主要な研究ギャップが明らかです。
ギャップは、この作業の焦点であり、これらのハイブリッドシステムにおける機能の重要性を説明するための説明者であるQ-Medleyに基づくフレームワークであるQuxaiを紹介します。
私たちのモデルには、量子機能マップ、Q-Medleyの使用を組み込んだHQMLモデルの作成を伴います。これは、特徴ベースの推論を組み合わせ、量子変換段階を維持し、結果の属性を視覚化します。
私たちの結果は、Q-MedleyがHQMLモデルの影響力のある古典的な側面を描写し、ノイズを分離し、古典的な検証設定で確立されたXai技術とよく競合することを示しています。
アブレーション研究は、Q-Medleyで使用される複合構造の美徳をより著しく露出させます。
この作業の意味は非常に重要です。これは、HQMLモデルの解釈可能性と信頼性を改善するルートを提供するため、より大きな自信を促進し、量子強化AIテクノロジーのより安全で責任ある使用に従事することができるからです。
私たちのコードと実験は、https：//github.com/gitssaikat/quxaiでオープンソーリングされています

要約(オリジナル)

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. Our code and experiments are open-sourced at: https://github.com/GitsSaikat/QuXAI

arxiv情報

提供元, 利用サービス

arxiv.jp, Google