Readout-Side Bypass for Residual Hybrid Quantum-Classical Models

Resumo Técnico: Bypass de Leitura para Modelos Híbridos Quântico-Clássicos Residuais

Definição do Problema
O Aprendizado de Máquina Quântica (QML) oferece vantagens potenciais em representações compactas e extração de características não lineares via Circuitos Quânticos Parametrizados (PQCs). No entanto, o QML prático é severamente limitado pelo gargalo de medição. Em QML padrão e modelos híbridos existentes, entradas clássicas de alta dimensão ($x \in \mathbb{R}^d$) são codificadas em estados quânticos, transformadas e, então, comprimidas em um pequeno número de observáveis quânticos ($Q(x) \in \mathbb{R}^m$, onde $m \ll d$). Essa leitura estreita de quântico-para-clássico descarta uma quantidade significativa de informação da entrada original, levando a uma baixa precisão subsequente. Além disso, essa compressão exacerba os riscos de privacidade, tornando os modelos mais suscetíveis a Ataques de Inferência de Membro (MIA), conforme as características comprimidas tendem a sofrer overfitting e vazar informações. Conexões residuais tradicionais em aprendizado profundo contornam camadas internas, mas falham em abordar a perda de informação terminal que ocorre na etapa de medição quântica.

Metodologia
Os autores propõem uma Arquitetura Híbrida Residual de Lado de Leitura projetada para contornar o gargalo de medição sem aumentar a complexidade do circuito quântico. O mecanismo central envolve:

1. Processamento Quântico: Entradas clássicas são codificadas por ângulo e processadas através de um Circuito Quântico Variacional (PQC) padrão para gerar características quânticas $Q(x)$.
2. Concatenação Residual: Em vez de descartar a entrada bruta $x$ após a medição, o modelo concatena a entrada bruta com as características quânticas medidas para formar um vetor combinado $z = [x \parallel Q(x)]$.
3. Projeção e Classificação: Uma projeção linear $W_{proj}$ mapeia o vetor concatenado para uma representação latente $\tilde{z}$, que é então processada por um Perceptron Multicamadas (MLP) clássico para classificação.

Esta abordagem preserva a estrutura da entrada original enquanto aproveita as transformações quânticas, criando efetivamente um "bypass" ao redor da perda de informação inerente à etapa de medição. A arquitetura é projetada para ser compatível tanto com ambientes centralizados quanto de Aprendizado Federado (FL) e não requer modificações no circuito quântico subjacente ou na estratégia de codificação.

Principais Contribuições

• Inovação Arquitetônica: Introdução de um modelo híbrido residual leve que concatena entradas brutas com características quânticas na etapa de leitura, abordando diretamente o gargalo de medição.
• Avaliação Abrangente: Realizou avaliações de parâmetros correspondentes em quatro conjuntos de dados (Wine, Breast Cancer, Fashion-MNIST, Forest CoverType) tanto em configurações centralizadas quanto federadas, comparando precisão e métricas de privacidade.
• Análise de Privacidade: Demonstrou que a arquitetura residual melhora intrinsecamente a robustez da privacidade contra Ataques de Inferência de Membro (MIA) sem exigir injeção explícita de ruído (ex: Privacidade Diferencial), alcançando pontuações de AUC de MIA próximas a 0,5 (indistinguíveis de um palpite aleatório).
• Estudos de Ablação: Validou que os ganhos de desempenho são impulsionados pelo mecanismo de bypass residual e não simplesmente pelo aumento da profundidade quântica ou contagem de qubits.

Resultos Experimentais

• Precisão: O modelo híbrido residual supera significativamente os baselines puramente quânticos e híbridos padrão. No conjunto de dados Wine, alcançou 89,0% de precisão comparado a 38,9% para o modelo puramente quântico e 38,9% para o modelo híbrido original. Ele quase iguala os baselines clássicos (91,4%) utilizando menos parâmetros.
• Robustez de Privacidade: Nas avaliações de privacidade, o modelo híbrido residual alcançou AUCs de MIA de aproximadamente 0,54 (ex: em Wine), indicando forte resistência à inferência de membro. Isso é superior aos modelos clássicos (0,68) e comparável aos modelos puramente quânticos, mas sem a severa penalidade de precisão associada à adição de Privacidade Diferencial (que reduziu a precisão clássica de 87,0% para 74,1%).
• Eficiência: Em configurações de Aprendizado Federado, os modelos híbridos residuais reduziram o overhead de comunicação em aproximadamente 15% em comparação com modelos de FL clássicos (transmitindo 1,7MB vs. 2,0MB ao longo de 50 rodadas), mantendo uma precisão competitiva (ex: 93,9% em Breast Cancer sob distribuições Non-IID).

Significância e Alegações
O artigo afirma oferecer um caminho prático e de curto prazo para integrar modelos quânticos em ambientes de recursos limitados e sensíveis à privacidade, como o Aprendizado de Borda Federado (Federated Edge Learning). Ao contornar o gargalo de medição, o método permite que os modelos quânticos mantenham a compacidade e a expressividade das características quânticas enquanto recuperam a informação necessária para uma classificação de alta precisão. Os autores enfatizam que esta abordagem é "não invasiva" aos requisitos de hardware quântico, tornando-a agnóstica a protocolos e facilmente integrável em sistemas híbridos existentes. O estudo conclui que expor tanto as entradas brutas quanto as características quânticas ao classificador é crucial para superar as limitações dos atuais mecanismos de leitura de QML.