Where Does a Variational Quantum Classifier Lose Accuracy? Angle Encoding, Readout and the Fidelity-Kernel Reference in Cyberattack Detection
Cet article analyse les goulots d'étranglement de performance des classificateurs quantiques variationnels sur le benchmark de cyberattaques NSL-KDD, révélant que les stratégies de lecture sous-optimales sont la principale source de perte de précision par rapport aux méthodes d'encodage, tout en démontrant également que les modèles quantiques actuels n'offrent aucun avantage par rapport aux machines à vecteurs de support classiques pour des entrées identiques.