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

Resumo Técnico: QPredSGG – Aprendizado de Predicados Quânticos Híbridos para Geração de Grafos de Cena de Cauda Longa

1. Definição do Problema

A Geração de Grafos de Cena (SGG) visa representar imagens como grafos estruturados de objetos (nós) e suas relações semânticas (arestas), tipicamente expressas como tripletos $\langle \text{sujeito}, \text{predicado}, \text{objeto} \rangle$. Um gargalo crítico nos sistemas atuais de SGG é a distribuição de cauda longa de predicados encontrados em conjuntos de dados como o Visual Genome. Predicados frequentes e genéricos (ex: "em cima de", "de", "em") dominam as relações anotadas, enquanto predicados semanticamente específicos ocorrem raramente.

Consequentemente, modelos padrão treinados com objetivos convencionais tendem a otimizar o Recall Global (R@K) ao prever classes frequentes, resultando em um baixo Recall Médio (mR@K) para relações raras, porém informativas. Embora as estratégias de mitigação de viés existentes (ex: inferência causal, reponderação de perda) tenham melhorado o recall médio, a etapa de classificação de predicados em frameworks de estado da arte, como a Rede de Reforço de Características Causais (CFEN), ainda depende de grandes Perceptrons Multicamadas (MLPs) clássicos. Esses módulos de decisão são pesados em parâmetros, levantando a questão de se um módulo de decisão mais compacto poderia manter ou melhorar o desempenho de reconhecimento de cauda longa.

2. Metodologia

O artigo propõe o QPredSGG, uma arquitetura quântico-clássica híbrida que substitui o cabeçalho de predicado clássico na espinha dorsal (backbone) da CFEN por um Cabeçalho de Predicado Quântico (QP-Head). A metodologia segue um pipeline experimental de quatro estágios:

• Espinha Dorsal e Compressão de Características: O sistema utiliza a espinha dorsal CFEN, que emprega uma BiTreeLSTM (Long Short-Term Memory de Árvore Bidirecional) para extrair embeddings de pares contextuais ($h_{ij} \in \mathbb{R}^{4096}$). Antes do processamento quântico, essas características de alta dimensão são projetadas via uma camada linear clássica em um vetor comprimido e compatível com o quantum (ex: 16 dimensões para 4 qubits).
• Arquitetura Quântica Híbrida (QP-Head):
  • Codificação (Encoding): As características comprimidas são codificadas em um circuito quântico parametrizado (PQC) usando Codificação de Ângulo (Angle Embedding) (mapeando características para ângulos de rotação) ou Codificação de Amplitude (Amplitude Embedding) (normalizando e mapeando para amplitudes de estado).
  • Circuito Variacional: O estado codificado passa por camadas treináveis consistindo em portas de rotação e templates de emaranhamento. O estudo avalia dois templates: Camadas de Emaranhamento Básico (BEL) e Camadas de Emaranhamento Forte (SEL).
  • Leitura (Readout): O circuito termina com medições que produzem valores de expectativa, que são alimentados em uma camada de leitura clássica leve para gerar logits para as 51 classes de predicados.
• Treinamento Consciente de Viés: Para abordar o desequilíbrio de cauda longa, todos os modelos são treinados usando perda de Entropia Cruzada Ponderada (WCE). Pesos de frequência inversa são aplicados, limitando a razão de penalidades entre classes raras e frequentes em 46$\times$, garantindo que o otimizador priorize predicados raros sem desestabilizar o treinamento.
• Métricas de Avaliação: O desempenho é assessado via Recall Global (R@50, R@100) e Recall Médio (mR@50, mR@100). Adicionalmente, métricas específicas de quantum são analisadas, incluindo Expressibilidade (divergência KL de fidelidade Haar-random) e Emaranhamento (entropia de Von Neumann).

3. Principais Contribuições

O artigo delineia cinco contribuições primárias:

1. Cabeçalho de Predicado Quântico Híbrido: Introdução do QP-Head, um circuito quântico parametrizado compacto que substitui o MLP clássico em um pipeline de SGG, preservando a espinha dorsal de características relacionais.
2. Estudo de Arquitetura Controlada: Uma avaliação sistemática do QP-Head através de contagens de qubits (4 vs. 8), estratégias de codificação (Ângulo vs. Amplitude), templates de emaranhamento (BEL vs. SEL) e profundidades de circuito (2, 4, 6 camadas).
3. Avaliação Consciente de Viés: Análise do QP-Head sob treinamento balanceado por classe para determinar se ele melhora o reconhecimento de predicados raros (mR) em vez de apenas o desempenho de classes frequentes.
4. Análise de Qualidade e Eficiência Quântica: Correlação do desempenho semântico com diagnósticos de nível de circuito (expressibilidade, emaranhamento) e overhead computacional (contagem de parâmetros, tempo de execução).
5. Validação em QPU Física: Execução do QP-Head compacto de 4 qubits em um processador quântico supercondutor real (IBM ibm_fez) para verificar a viabilidade além da simulação de estado-vetor.

4. Resultados Experimentais

Os experimentos foram conduzidos no conjunto de dados Visual Genome 150 (VG-150) sob a configuração de Classificação de Predicado (PredCls).

• Dinâmica de Treinamento: O treinamento balanceado por classe (WCE) melhorou significativamente o mR@50 (de ~0,17 para ~0,26) em comparação com a Entropia Cruzada padrão, sem degradar o Recall Global.
• Busca de 4 Qubits: Entre as configurações de 4 qubits, a Codificação de Amplitude com Camadas de Emaranhamento Forte rendeu o melhor desempenho, alcançando um mR@100 de 57,25% (comparado aos 41,1% da referência CFEN clássica) com apenas 96 parâmetros quânticos treináveis. Esta configuração utilizou uma representação comprimida de 16 dimensões.
• Escalonamento para 8 Qubits: Escalar para 8 qubits (espaço de estado de 256 dimensões) manteve um forte desempenho, atingindo um mR@100 de 55,38% com 384 parâmetros quânticos. O recall global permaneceu estável (R@100 > 0,90).
• Ablação de Profundidade: Aumentar a profundidade do circuito de 2 para 6 camadas melhorou a expressibilidade (menor divergência KL), mas aumentou significativamente a latência de tempo de execução (de ~214ms para ~474ms). A configuração de 4 camadas ofereceu o melhor equilíbrio entre expressibilidade e custo computacional.
• Eficiência de Parâmetros: O componente quântico representou menos de 0,001% do total de parâmetros do modelo, atuando como uma camada de decisão compacta sobre o extrator de características clássico.
• Execução em Hardware: No QPU IBM ibm_fez, o modelo de 4 qubits processou com sucesso 9 tripletos de validação, alcançando uma acurácia de lote de 66,67%. Crucialmente, a saída não colapsou para uma única classe dominante, preservando a estrutura discriminativa de classe apesar do ruído do hardware.
• Comparação: As variantes do QP-Head superaram a referência CFEN clássica em mR@100 (57,25% vs. 41,1%), mantendo um Recall Global competitivo, utilizando uma fração dos parâmetros treináveis exigidos pelo cabeçalho clássico.

5. Significância e Alegações

O artigo alega modestamente que cabeçalhos de predicado quânticos híbridos compactos podem suportar o aprendizado de classificação relacional de cauda longa de forma eficiente em parâmetros em tarefas complexas de raciocínio visual.

• Não é uma Alegação de Superioridade Incondicional: Os autores não alegam superioridade quântica ampla. Em vez disso, fornecem evidências controladas de que um pequeno circuito quântico da era NISQ pode servir como um módulo de decisão eficaz quando integrado a um pipeline clássico estabelecido.
• Viabilidade: O trabalho demonstra que modelos quânticos híbridos podem ser treinados em ambientes simulados e executados em hardware físico sem colapsar para um comportamento aleatório ou de classe única, mesmo com compressão dimensional severa.
• Praticidade: Os resultados sugerem que componentes quânticos podem melhorar o recall médio para predicados raros sem introduzir um overhead de parâmetros proibitivo, desde que a arquitetura (codificação e emaranhamento) seja cuidadosamente ajustada.

O estudo conclui que, embora a avaliação atual seja limitada ao PredCls e à simulação, o QP-Head representa uma direção promissora para integrar componentes quânticos híbridos na geração de grafos de cena para abordar o viés de cauda longa de forma eficiente.