Quantum Kernel Methods for Calibrated and Interpretable Neuroimaging Classification in Computational Psychiatry
Diese Arbeit demonstriert, dass ein Dual-Pipeline-Framework, welches Quantum Kernel Support Vector Machines unter Verwendung strenger Post-hoc-Kalibrierungs- und Interpretierbarkeitstechniken nutzt, klassische Baselines bei der Unterscheidung psychiatrischer Störungen unter Verwendung von Neuroimaging-Daten signifikant übertrifft und dabei eine hohe Vorhersagegenauigkeit sowie biologische Glaubwürdigkeit erreicht.