[论文解读] Towards Ultimate Accuracy in Quantum Multi-Class Classification: A Trace-Distance Binary Tree AdaBoost Classifier

Xin Eric Wang, Yabo Wang+1 more|arXiv (Cornell University)|Feb 2, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

本文提出 Trace-distance Binary Tree AdaBoost (TTA) 分类器用于量子多类分类，利用基于迹距的二元划分和 AdaBoost 提升的浅层量子学习器，在资源可控的前提下实现高准确度。

ABSTRACT

We propose a Trace-distance binary Tree AdaBoost (TTA) multi-class quantum classifier, a practical pipeline for quantum multi-class classification that combines quantum-aware reductions with ensemble learning to improve trainability and resource efficiency. TTA builds a hierarchical binary tree by choosing, at each internal node, the bipartition that maximizes the trace distance between average quantum states; each node trains a binary AdaBoost ensemble of shallow variational quantum base learners. By confining intrinsically hard, small trace distance distinctions to small node-specific datasets and combining weak shallow learners via AdaBoost, TTA distributes capacity across many small submodels rather than one deep circuit, mitigating barren-plateau and optimization failures without sacrificing generalization. Empirically TTA achieves top test accuracy ($\approx $100\%) among quantum and classical baselines, is robust to common quantum errors, and realizes aggregate systems with 10000 cumulative layers and 0.2M parameters, implemented as many shallow circuits. Our results are empirical and implementable on near-term platforms, providing a resource-efficient route to scalable multi-class quantum machine learning.

研究动机与目标

• 为多类分类的参数化量子电路（PQC）在可训练性和可扩展性方面的挑战提供动机与解决思路。
• 提出一种基于类别状态之间的迹距离的分层二叉树划分策略，以实现有效的二元划分。
• 证明将基于迹距离的分区与对浅层量子学习器的 AdaBoost 相结合，可在可扩展资源下实现高训练/测试准确性。
• 展示 TTA 在 MNIST 与合成数据上的经验表现，与量子与经典基线比较。
• 研究迹距离与样本量如何影响收敛与总体泛化。

提出的方法

• 通过递归将类别划分为最大化其平均量子态之间的迹距离的两组来构建二叉树（MaxBinarySplit）。
• 对每个二元节点进行 AdaBoost 训练，以从浅层量子基学习器中创建强二分类器。
• 将数据编码为量子态，使用浅层 PQC（深度 L，20 层，每层 24 个参数），并对第一量子比特进行 Pauli Z 测量。
• 沿树对节点预测进行聚合，以获得最终的多类预测。
• 对基分类器使用铰链损失，并通过早停与收敛条件跟踪训练/测试性能。
• 提供贪婪的 O(K^2 log K) 的 MaxBinarySplit 启发式，以保持划分的可扩展性。

实验结果

研究问题

• RQ1 如何在不使用易陷入 barren plateaus 的深电路的前提下有效训练多类量子分类？
• RQ2 按平均量子态之间的迹距离划分类别是否能提升可训练性与准确性？
• RQ3 在多类任务中，浅层量子学习器上的 AdaBoost 能否达到或超越现有量子与经典基线的性能？
• RQ4 与替代方案相比，所提 TTA 框架在参数、深度等资源方面的含义为何？
• RQ5 基于迹距离的树结构如何影响在真实与合成数据上的收敛速度与泛化？

主要发现

• TTA 在 MNIST 类似数据和合成基准上的测试准确性接近最高水平，且在测试准确性方面优于量子与经典基线。
• 在 0.2M 参数预算下，聚合的 TTA 分类器达到训练准确性 100%，相当于在浅层电路中累计约 10k 层。
• 每个节点的 AdaBoost 集成提升了二分类器的训练向近乎完美的准确性收敛，收敛界受迹距离与样本量约束。
• 与 bitwise AdaBoost 与 OVO/OVR 基线相比，在 MNIST 与合成数据的实验中，TTA 展现了更高的测试准确性与更少的参数。
• 迹距离与数据集规模共同影响收敛速度，较大的迹距离和较小的每节点数据集有助于更快的收敛。