Readout-Side Bypass for Residual Hybrid Quantum-Classical Models

Resumen Técnico: Bypass del Lado de la Lectura para Modelos Híbridos Cuántico-Clásicos Residuales

Planteamiento del Problema
El Aprendizaje Automático Cuántico (QML) ofrece ventajas potenciales en representaciones compactas y extracción de características no lineales mediante Circuitos Cuánticos Parametrizados (PQC). Sin embargo, el QML práctico está severamente limitado por el cuello de botella de la medición. En el QML estándar y en los modelos híbridos existentes, las entradas clásicas de alta dimensión ($x \in \mathbb{R}^d$) se codifican en estados cuánticos, se transforman y luego se comprimen en un pequeño número de observables cuánticos ($Q(x) \in \mathbb{R}^m$, donde $m \ll d$). Esta estrecha lectura de la transición cuántico-clásica descarta una cantidad significativa de información de la entrada original, lo que conduce a una baja precisión en las etapas posteriores. Además, esta compresión exacerba los riesgos de privacidad, haciendo que los modelos sean más susceptibles a los Ataques de Inferencia de Membresía (MIA), ya que las características comprimidas tienden a sobreajustarse y filtrar información. Las conexiones residuales tradicionales en el aprendizaje profundo omiten las capas internas, pero no logran abordar la pérdida de información terminal que ocurre en la etapa de medición cuántica.

Metodología
Los autores proponen una Arquitectura Híbrida Residual del Lado de la Lectura diseñada para omitir el cuello de botella de la medición sin aumentar la complejidad del circuito cuántico. El mecanismo central consiste en:

1. Procesamiento Cuántico: Las entradas clásicas se codifican por ángulo y se procesan a través de un Circuito Cuántico Variacional (PQC) estándar para generar características cuánticas $Q(x)$.
2. Concatenación Residual: En lugar de descartar la entrada bruta $x$ tras la medición, el modelo concatena la entrada bruta con las características cuánticas medidas para formar un vector combinado $z = [x \parallel Q(x)]$.
3. Proyección y Clasificación: Una proyección lineal $W_{proj}$ mapea el vector concatenado a una representación latente $\tilde{z}$, la cual es procesada por un Perceptrón Multicapa (MLP) clásico para la clasificación.

Este enfoque preserva la estructura original de la entrada mientras aprovecha las transformaciones cuánticas, creando efectivamente un "bypass" alrededor de la pérdida de información inherente al paso de medición. La arquitectura está diseñada para ser compatible tanto con entornos centralizados como de Aprendizaje Federado (FL) y no requiere modificaciones en el circuito cuántico subyacente o en la estrategia de codificación.

Contribuciones Clave

• Innovación Arquitectónica: Introducción de un modelo híbrido residual ligero que concatena las entradas brutas con las características cuánticas en la etapa de lectura, abordando directamente el cuello de botella de la medición.
• Evaluación Exhaustiva: Se realizaron evaluaciones de parámetros emparejados en cuatro conjuntos de datos (Wine, Breast Cancer, Fashion-MNIST, Forest CoverType) tanto en entornos centralizados como federados, comparando la precisión y las métricas de privacidad.
• Análisis de Privacidad: Demostró que la arquitectura residual mejora intrínsecamente la robustez de la privacidad contra los Ataques de Inferencia de Membresía (MIA) sin requerir la inyección explícita de ruido (por ejemplo, Privacidad Diferencial), logrando puntuaciones de AUC de MIA cercanas a 0.5 (indistinguibles del azar).
• Estudios de Ablación: Validó que las ganancias de rendimiento son impulsadas por el mecanismo de bypass residual y no simplemente por aumentar la profundidad cuántica o el número de cúbits.

Resultados Experimentales

• Precisión: El modelo híbrido residual supera significativamente a los modelos puramente cuánticos y a los baselines híbridos estándar. En el conjunto de datos Wine, alcanzó un 89.0% de precisión en comparación con el 38.9% del modelo puramente cuántico y el 38.9% del modelo híbrido original. Casi iguala a los baselines clásicos (91.4%) utilizando menos parámetros.
• Robustez de la Privacidad: En las evaluaciones de privacidad, el modelo híbrido residual logró AUCs de MIA de aproximadamente 0.54 (por ejemplo, en Wine), lo que indica una fuerte resistencia a la inferencia de membresía. Esto es superior a los modelos clásicos (0.68) y comparable a los modelos puramente cuánticos, pero sin la severa penalización de precisión asociada con la adición de Privacidad Diferencial (que redujo la precisión clásica del 87.0% al 74.1%).
• Eficiencia: En entornos de Aprendizaje Federado, los modelos híbridos residuales redujeron la sobrecarga de comunicación en aproximadamente un 15% en comparación con los modelos de FL clásicos (transmitiendo 1.7MB frente a 2.0MB a lo largo de 50 rondas) manteniendo una precisión competitiva (por ejemplo, 93.9% en Breast Cancer bajo distribuciones Non-IID).

Significancia y Reivindicaciones
El artículo afirma ofrecer una vía práctica y de corto plazo para integrar modelos cuánticos en entornos con recursos limitados y sensibles a la privacidad, como el Aprendizaje en el Borde Federado (Federated Edge Learning). Al omitir el cuello de botella de la medición, el método permite que los modelos cuánticos retengan la compacidad y expresividad de las características cuánticas mientras recuperan la información necesaria para una clasificación de alta precisión. Los autores enfatizan que este enfoque es "no invasivo" para los requisitos del hardware cuántico, lo que lo hace agnóstico al protocolo y fácilmente integrable en sistemas híbridos existentes. El estudio concluye que exponer tanto las entradas brutas como las características cuánticas al clasificador es crucial para superar las limitaciones de los mecanismos de lectura actuales en QML.