Overcoming Fourier Locking in Quantum Data Re-uploading Classifiers via Spectral Homotopy
Dit artikel identificeert "Fourier locking" als de primaire optimalisatie-bottleneck in data re-uploading kwantumclassificaties, waarbij willekeurige initialisatie modellen gevangen houdt in spurieuze minima door spectrale misuitlijning, en stelt een spectrale homotopie-curriculum voor die doelafrequenties progressief verhoogt om de verlieslandschapsconvexiteit te verbeteren en de ontsnappingssnelheden aanzienlijk te vergroten.