ترجمه فارسی مقاله یک شبکه عصبی گراف کوانتومی مبتنی بر لاپلاس برای یادگیری نیمه نظارتی

چکیده

Laplacian learning method is a well-established technique in classical graph-based semi-supervised learning, but its potential in the quantum domain remains largely unexplored. This study investigates the performance of the Laplacian-based Quantum Semi-Supervised Learning (QSSL) method across four benchmark datasets — Iris, Wine, Breast Cancer Wisconsin, and Heart Disease. Further analysis explores the impact of increasing Qubit counts, revealing that adding more Qubits to a quantum system doesn’t always improve performance. The effectiveness of additional Qubits depends on the quantum algorithm and how well it matches the dataset. Additionally, we examine the effects of varying entangling layers on entanglement entropy and test accuracy. The performance of Laplacian learning is highly dependent on the number of entangling layers, with optimal configurations varying across different datasets. Typically, moderate levels of entanglement offer the best balance between model complexity and generalization capabilities. These observations highlight the crucial need for precise hyperparameter tuning tailored to each dataset to achieve optimal performance in Laplacian learning methods.

چکیده به فارسی (ترجمه ماشینی)

روش یادگیری لاپلاسی یک تکنیک به خوبی تثبیت شده در یادگیری نیمه تحت نظارت کلاسیک مبتنی بر نمودار است ، اما پتانسیل آن در حوزه کوانتومی تا حد زیادی ناشناخته است.این مطالعه به بررسی عملکرد روش یادگیری نیمه تحت نظارت کوانتومی مبتنی بر لاپلاسی (QSSL) در چهار مجموعه داده معیار-عنبیه ، شراب ، سرطان پستان ویسکانسین و بیماری های قلبی می پردازد.تجزیه و تحلیل بیشتر به بررسی تأثیر افزایش تعداد Quit ، نشان می دهد که اضافه کردن Qubits بیشتر به یک سیستم کوانتومی همیشه عملکرد را بهبود نمی بخشد.اثربخشی Qubits اضافی به الگوریتم کوانتومی و چگونگی مطابقت با مجموعه داده بستگی دارد.علاوه بر این ، ما اثرات لایه های درهم و برهم متفاوت را بر آنتروپی گرفتگی و دقت آزمایش بررسی می کنیم.عملکرد یادگیری لاپلاسی به تعداد لایه های درهم و برهم بستگی دارد و تنظیمات بهینه در مجموعه داده های مختلف متفاوت است.به طور معمول ، سطح متوسط ​​گرفتاری بهترین تعادل بین پیچیدگی مدل و قابلیت های عمومی را ارائه می دهد.این مشاهدات نیاز اساسی به تنظیم دقیق هایپرپارامتر را متناسب با هر مجموعه داده برای دستیابی به عملکرد بهینه در روشهای یادگیری لاپلاسی برجسته می کند.