QPredSGG: Hybrid Quantum Predicate Learning for Long-Tailed Scene Graph Generation

Este artículo presenta QPredSGG, un marco híbrido cuántico-clásico que reemplaza la cabeza de predicado de una Red de Mejora de Características Causales con una Cabeza de Predicado Cuántica de eficiencia de parámetros, logrando un rendimiento de vanguardia en la generación de grafos de escena de cola larga al reducir significativamente la complejidad del modelo mientras mejora el recall medio en el conjunto de datos Visual Genome 150.

Lo esencial

Imagina que estás mirando una fotografía concurrida de un parque. Un ordenador que intenta comprender esta imagen necesita hacer algo más que decir: "Veo una persona y un caballo". Necesita entender la historia: "La persona está montando el caballo".

Esta tarea se llama Generación de Grafos de Escena (Scene Graph Generation). El ordenador construye un mapa de la imagen donde los objetos son puntos y las relaciones son líneas que los conectan.

El Problema: El sesgo del "Chico Popular"

El artículo señala un fallo importante en la forma en que los ordenadores aprenden actualmente a hacer esto. Se entrenan con un conjunto de datos masivo llamado Visual Genome. En este conjunto de datos, algunas relaciones son súper comunes (como "sobre", "de" o "en"), mientras que otras son muy raras pero específicas (como "vistiendo", "persiguiendo" o "pintando sobre").

Piensa en esto como una clase donde el 90% de los estudiantes se llaman "Juan". Si un profesor pregunta: "¿Cuál es el nombre más común?", los estudiantes casi siempre responderán "Juan". Incluso si hay un estudiante llamado "Zephyr" que es en realidad el más interesante de la clase, los estudiantes lo ignoran porque "Juan" es mucho más frecuente.

En el mundo de la informática, esto significa que la IA se vuelve muy buena adivinando relaciones comunes, pero falla estrepitosamente en las relaciones raras y específicas. Esto se llama el Problema de la Larga Cola (Long-Tail Problem).

La Solución: Un "Especialista" Cuántico

Los autores de este artículo, Prerana Ramkumar y su equipo, decidieron probar algo nuevo. En lugar de usar un cerebro de ordenador gigante y pesado para tomar la decisión final sobre las relaciones, reemplazaron esa parte con un diminuto Cabezal Híbrido Cuántico.

Así es como lo hicieron, usando una analogía:

1. El Trabajo Pesado (Parte Clásica): Imagina a un bibliotecario muy inteligente y tradicional (el "backbone CFEN") que lee el libro y resume la historia. Esta parte se mantiene igual. Toma la información visual y crea un resumen largo y detallado (4.096 números) sobre la relación entre dos objetos.
2. El Especialista Cuántico (La Parte Nueva): En lugar de entregar ese resumen largo a un decisor gigante y costoso, lo comprimen en un resumen diminuto de 16 números. Luego, introducen este pequeño resumen en un Circuito Cuántico.
   • Piensa en el Circuito Cuántico como un filtro mágico o una lente especializada. No necesita ser enorme para funcionar. Utiliza las extrañas reglas de la física cuántica (como la superposición y el entrelazamiento) para mirar esos 16 números y decidir: "¿Es 'montando' o 'vistiendo'?".
3. El Resultado: El especialista hace una suposición, y un ordenador clásico pequeño la comprueba.

Lo que Probaron

Los investigadores trataron esto como un experimento científico para encontrar el "Especialista Cuántico" perfecto. Probaron:

• Cuántos "qubits" (bits cuánticos) usar: Probaron con 4 y 8.
• Cómo traducir los datos: Probaron diferentes formas de convertir los números en estados cuánticos (como "Angle Embedding" vs. "Amplitude Embedding").
• Qué tan complejo debe ser el circuito: Probaron circuitos con diferentes números de capas.

Las Grandes Victorias

Esto es lo que encontraron, en lenguaje sencillo:

• Pequeño es Hermoso: La mejor versión utilizó solo 4 qubits (el tamaño más pequeño que probaron). Tenía solo 96 parámetros entrenables. Para ponerlo en perspectiva, el resto del modelo informático tiene millones de parámetros. El cabezal cuántico es como un chef diminuto y eficiente en una cocina masiva, haciendo solo ese único trabajo de decidir la relación.
• Mejor con lo Raro: Cuando entrenaron el sistema para que prestara especial atención a las relaciones raras (usando un método de entrenamiento "ponderado" especial), el cabezal cuántico mejoró mucho en la detección de los "Zephyrs" del mundo.
  • El modelo informático estándar consiguió aproximadamente el 41% de las relaciones raras correctamente.
  • Su nuevo modelo cuántico de 4 qubits consiguió el 57% correctamente.
  • Incluso la versión de 8 qubits se mantuvo fuerte con un 55%.
• Sin Pérdida en lo Común: Mientras mejoraban en lo raro, el modelo no perdió su capacidad de adivinar lo común (como "sobre" o "en"). Mantuvieron su precisión global alta.
• Prueba de Hardware Real: No solo lo ejecutaron en un simulador; realmente ejecutaron una versión diminuta en un ordenador cuántico real (un chip superconductor de IBM). ¡Funcionó! No se bloqueó ni dio respuestas aleatorias. Identificó correctamente 6 de los 9 casos de prueba, demostiendo que este pequeño cerebro cuántico puede funcionar realmente en hardware real y ruidoso.

El Intercambio (Trade-Off)

El artículo también señaló una advertencia. Si haces que el circuito cuántico sea demasiado profundo (añadiendo demasiadas capas para hacerlo más "inteligente"), tarda más en ejecutarse y utiliza más potencia de cálculo. El "punto ideal" fue un circuito que fuera lo suficientemente profundo para ser inteligente, pero lo suficientemente superficial para ser rápido.

Resumen

En resumen, este artículo muestra que no necesitas un ordenador cuántico masivo para mejorar la IA. Al sustituir solo el paso final de toma de decisiones con un módulo cuántico diminuto y eficiente, puedes ayudar a la IA a dejar de ignorar las relaciones raras y específicas de las imágenes. Es como reemplazar una multitud ruidosa y sesgada por un especialista silencioso y altamente entrenado que escucha los detalles que todos los demás pasan por alto.

Resumen técnico

Resumen Técnico: QPredSGG – Aprendizaje de Predicados Cuánticos Híbridos para la Generación de Grafos de Escena de Cola Larga

1. Planteamiento del Problema

La Generación de Grafos de Escena (SGG, por sus siglas en inglés) tiene como objetivo representar imágenes como grafos estructurados de objetos (nodos) y sus relaciones semánticas (aristas), típicamente expresadas como tríos $\langle \text{sujeto}, \text{predicado}, \text{objeto} \rangle$. Un cuello de botella crítico en los sistemas actuales de SGG es la distribución de cola larga de los predicados encontrados en conjuntos de datos como Visual Genome: los predicados frecuentes y genéricos (por ejemplo, "sobre", "de", "en") dominan las relaciones anotadas, mientras que los predicados semánticamente específicos ocurren raramente.

En consecuencia, los modelos estándar entrenados con objetivos convencionales tienden a optimizar la Recuperación Global (R@K) prediciendo clases frecuentes, lo que resulta en una pobre Recuperación Media (mR@K) para relaciones raras pero informativas. Aunque las estrategias de mitigación de sesgo existentes (por ejemplo, inferencia causal, reponderación de pérdida) han mejorado la recuperación media, la etapa de clasificación de predicados en los marcos de trabajo de vanguardia como la Red de Mejora de Características Causales (CFEN) todavía depende de Perceptrones Multicapa (MLP) clásicos de gran tamaño. Estos módulos de decisión tienen una alta densidad de parámetros, lo que plantea la pregunta de si un módulo de decisión más compacto podría mantener o mejorar el rendimiento del reconocimiento de cola larga.

2. Metodología

El artículo propone QPredSGG, una arquitectura híbrida cuántica-clásica que reemplaza la cabeza de predicado clásica de la red base (backbone) CFEN con una Cabeza de Predicado Cuántica (QP-Head). La metodología sigue un flujo de trabajo experimental de cuatro etapas:

• Red Base y Compresión de Características: El sistema utiliza la red base CFEN, que emplea una BiTreeLSTM (Long Short-Term Memory de Árbol Bidireccional) para extraer incrustaciones de pares contextuales ($h_{ij} \in \mathbb{R}^{4096}$). Antes del procesamiento cuántico, estas características de alta dimensión se proyectan mediante una capa lineal clásica hacia un vector comprimido y compatible con sistemas cuánticos (por ejemplo, 16 dimensiones para 4 cúbits).
• Arquitectura Cuántica Híbrida (QP-Head):
  • Codificación: Las características comprimidas se codifican en un circuito cuántico parametrizado (PQC) utilizando Codificación por Ángulo (mapeo de características a ángulos de rotación) o Codificación por Amplitud (normalización y mapeo a amplitudes de estado).
  • Circuito Variacional: El estado codificado pasa a través de capas entrenables compuestas por puertas de rotación y plantillas de entrelazamiento. El estudio evalúa dos plantillas: Capas de Entrelazamiento Básico (BEL) y Capas de Entrelazamiento Fuerte (SEL).
  • Lectura (Readout): El circuito termina con mediciones que producen valores de expectativa, los cuales se introducen en una capa de lectura clásica ligera para generar los logits para las 51 clases de predicados.
• Entrenamiento Consciente del Sesgo: Para abordar el desequilibrio de cola larga, todos los modelos se entrenan utilizando una pérdida de Entropía Cruzada Ponderada (WCE). Se aplican pesos de frecuencia inversa, limitando la relación de penalización de clase rara frente a frecuente a un máximo de 46$\times$, asegurando que el optimizador priorice los predicados raros sin desestabilizar el entrenamiento.
• Métricas de Evaluación: El rendimiento se evalúa mediante Recuperación Global (R@50, R@100) y Recuperación Media (mR@50, mR@100). Además, se analizan métricas específicas de la computación cuántica, incluyendo la Expresividad (divergencia KL de la fidelidad de Haar-random) y el Entrelazamiento (entropía de Von Neumann).

3. Contribuciones Clave

El artículo describe cinco contribuciones principales:

1. Cabeza de Predicado Cuántica Híbrida: Introducción de la QP-Head, un circuito cuántico parametrizado compacto que reemplaza al MLP clásico en un flujo de trabajo de SGG, preservando la red de características relacionales.
2. Estudio de Arquitectura Controlada: Una evaluación sistemática de la QP-Head a través de conteos de cúbits (4 vs. 8), estrategias de codificación (Ángulo vs. Amplitud), plantillas de entrelazamiento (BEL vs. SEL) y profundidades de circuito (2, 4, 6 capas).
3. Evaluación Consciente del Sesgo: Análisis de la QP-Head bajo entrenamiento equilibrado de clases para determinar si mejora el reconocimiento de predicados raros (mR) en lugar de solo el rendimiento de clases frecuentes.
4. Análisis de Calidad y Eficiencia Cuántica: Correlación del rendimiento semántico con diagnósticos a nivel de circuito (expresividad, entrelazamiento) y sobrecarga computacional (conteo de parámetros, tiempo de ejecución).
5. Validación en QPU Física: Ejecución de la compacta QP-Head de 4 cúbits en un procesador cuántico superconductor real (IBM ibm_fez) para verificar la viabilidad más allá de la simulación de estado vectorial.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos Visual Genome 150 (VG-150) bajo la configuración de Clasificación de Predicados (PredCls).

• Dinámica de Entrenamiento: El entrenamiento equilibrado de clases (WCE) mejoró significativamente el mR@50 (de ~0.17 a ~0.26) en comparación con la Entropía Cruzada estándar, sin degradar la Recuperación Global.
• Búsqueda de 4 Cúbits: Entre las configuraciones de 4 cúbits, la Codificación por Amplitud con Capas de Entrelazamiento Fuerte produjo el mejor rendimiento, logrando un mR@100 de 57.25% (comparado con el 41.1% de la referencia clásica CFEN) con solo 96 parámetros cuánticos entrenables. Esta configuración utilizó una representación comprimida de 16 dimensiones.
• Escalamiento a 8 Cúbits: El escalado a 8 cúbits (espacio de estado de 256 dimensiones) mantuvo un fuerte rendimiento, alcanzando un mR@100 de 55.38% con 384 parámetros cuánticos. La recuperación global se mantuvo estable (R@100 > 0.90).
• Ablación de Profundidad: El aumento de la profundidad del circuito de 2 a 6 capas mejoró la expresividad (menor divergencia KL) pero aumentó significativamente la latencia de ejecución (de ~214ms a ~474ms). La configuración de 4 capas ofreció el mejor equilibrio entre expresividad y costo computacional.
• Eficiencia de Parámetros: El componente cuántico representó menos del 0.001% del total de los parámetros del modelo, actuando como una capa de decisión compacta sobre el extractor de características clásico.
• Ejecución en Hardware: En la QPU IBM ibm_fez, el modelo de 4 cúbits procesó con éxito 9 tríos de validación, logrando una precisión de lote del 66.67%. Crucialmente, la salida no colapsó hacia una única clase dominante, preservando la estructura discriminativa de las clases a pesar del ruido del hardware.
• Comparación: Las variantes de la QP-Head superaron a la referencia clásica CFEN en mR@100 (57.25% vs. 41.1%) manteniendo una Recuperación Global competitiva, utilizando una fracción de los parámetros entrenables requeridos por la cabeza clásica.

5. Significado y Afirmaciones

El artículo afirma modestamente que las cabezas de predicado cuánticas híbridas y compactas pueden soportar un aprendizaje de clasificación relacional de cola larga eficiente en parámetros en tareas complejas de razonamiento visual.

• No es una Reivindicación de Ventaja Incondicional: Los autores no reclaman una superioridad cuántica generalizada. En su lugar, proporcionan evidencia controlada de que un pequeño circuito cuántico de la era NISQ puede servir como un módulo de decisión efectivo cuando se integra en un flujo de trabajo clásico establecido.
• Viabilidad: El trabajo demuestra que los modelos cuánticos híbridos pueden entrenarse en entornos simulados y ejecutarse en hardware físico sin colapsar hacia un comportamiento aleatorio o de clase única, incluso con una compresión dimensional severa.
  la investigación sugiere que los componentes cuánticos pueden mejorar la recuperación media de los predicados raros sin introducir una sobrecarga de parámetros prohibitiva, siempre que la arquitectura (codificación y entrelazamiento) se ajuste cuidadosamente.

El estudio concluye que, aunque la evaluación actual es limitada a PredCls y simulación, la QP-Head representa una dirección prometedora para integrar componentes cuánticos híbridos en la generación de grafos de escena para abordar el sesgo de cola larga de manera eficiente.