SVM Kuantum-Klasik Berbasis Embedding

Penulis mengusulkan pipeline kuantum-klasikal dengan distilasi k-means seimbang kelas dan embedding Vision Transformer yang sudah dilatih.

Embedding Vision Transformer memberikan keuntungan kuantum dengan peningkatan akurasi hingga 8,02% pada Fashion-MNIST dan 4,42% pada MNIST dibandingkan SVM klasik.

Penggunaan fitur CNN justru menyebabkan penurunan kinerja model.

Simulasi jaringan tensor 16-qubit menunjukkan keuntungan kernel kuantum sangat bergantung pada pilihan embedding.

Temuan ini mengungkap sinergi antara atensi transformer dan ruang fitur kuantum untuk pembelajaran mesin kuantum yang dapat diskalakan.