Benchmarking loss functions for trainable quantum feature maps
본 논문은 학습 가능한 양자 특징 맵(quantum feature maps)에 대한 로그 가능도(Log-Likelihood), 거리(Distance), 측정(Measurement) 손실 함수의 성능을 체계적으로 벤치마킹하며, 광범위한 수치 실험을 통해 로그 가능도 손실이 안정적인 최적화 역학, 선형적 계산 복잡도 및 예측 성능 사이에서 우수한 균형을 제공함을 입증한다.