Feature‑Adaptive Fusion in Hybrid Quantum–Classical Neural Networks for Robust Biomedical Image Classification

技术摘要：用于鲁棒生物医学图像分类的混合量子-经典神经网络中的特征自适应融合

问题陈述
混合量子-经典神经网络（HQNN）代表了在噪声中等规模量子（NISQ）时代内，针对硬件约束（如限制量子比特数量和电路深度）进行量子机器学习的一种实用范式。现有的混合模型通常将经典深度学习与变分量子电路（VQC）结合，但它们往往依赖于固定或全局共享的融合策略（例如，顺序处理或固定权重平均）。这些静态集成方法可能无法充分利用量子分支提供的互补信息，特别是在输入数据发生分布偏移或受损时。在生物医学图像分类领域，图像经常受到传感器噪声（如高斯噪声、泊松噪声）和采集变异性的影响，而这些混合模型在现实损坏条件下的鲁棒性仍未得到充分理解。此外，现有架构通常为经典分支和量子分支分配预定的角色，限制了它们对变化的图像内容和损坏严重程度的适应能力。

方法论
作者提出了特征自适应融合混合量子-经典神经网络（FAF-HQNN），这是一个专为生物医学图像分类设计的端到端可训练框架。该架构由四个主要部分组成：

1. 特征提取： 基于 ResNet-18（使用 ImageNet 权重初始化）的经典深度特征编码器从输入图像中提取高层视觉表示。移除最后的全连接层，并应用全局平均池化以生成 512 维特征向量。
2. 特征压缩： 为了解决深度特征与 NISQ 约束之间的维度失配问题，一个可学习的压缩模块将 512 维向量投影为紧凑的 64 维共享嵌入。该嵌入通过双曲正切激活函数缩放到 $[-\pi, \pi]$ 区间，以确保与参数化量子门兼容。
3. 并行混合预测： 共享嵌入同时被送入两个并行分支：
   • 量子分支： 变分量子电路（VQC）执行经典到量子的编码（使用 Hadamard、$R_y$ 和 $R_z$ 门）、变分变换（可训练的单比特旋转和最近邻 CNOT 纠缠）以及基于测量的读取（Pauli-X 可观测量的期望值）。输出通过线性层映射为类别逻辑值（logits）。
   • 经典分支： 轻量级多层感知器（MLP）处理相同的共享嵌入，生成经典逻辑值。
4. 特征自适应类别级融合： 其核心创新是一个轻量级的融合系数预测器（一个带有 Sigmoid 激活函数的两层 MLP），它根据共享嵌入生成样本相关的类别级融合权重（$\alpha_i \in [0, 1]^C$）。最终的预测是经典逻辑值和量子逻辑值的动态加权和：$\hat{y}_i = \alpha_i \odot y^c_i + (1 - \alpha_i) \odot y^q_i$。这使得模型能够根据特定的输入样本和类别，动态平衡两个分支的贡献。

模型使用标准交叉熵损失对融合后的逻辑值进行训练。

核心贡献

• 架构提议： 引入了 FAF-HQNN，它通过特征自适应融合机制将深度经典编码器与 VQC 分支相结合，超越了固定的集成方案。
• 自适应融合机制： 开发了一种类别级融合策略，用于预测样本相关的权重，从而使模型能够在变化的输入条件下灵活地利用互补的经典和量子信息。
• 鲁棒性评估： 在生物医学基准测试中，系统地评估了混合模型在现实图像损坏（高斯噪声、椒盐噪声和泊松噪声）下的表现，填补了当前文献中往往忽视鲁棒性的空白。
• 经验分析： 全面调查了 VQC 设计选择（电路布局、测量基底和深度）对混合性能的影响。

实验结果
该框架在两个 MedMNIST 基准数据集上进行了评估：PathMNIST（组织病理学）和 BloodMNIST（血细胞识别）。实验包括干净数据的评估以及不同损坏强度下的鲁棒性测试。

• 干净数据性能： FAF-HQNN 在两个数据集上均取得了对比方法（包括纯经典、纯量子和固定融合混合基线）中的最高整体性能。在 PathMNIST 上，它达到了 $0.8910 \pm 0.0149$ 的准确率，比经典基线高出 2.63 个百分点。
• 鲁棒性： 在高斯噪声和泊松噪声下，FAF-HQNN 表现出持续的优越鲁棒性，在大多数损坏水平下，其准确率和 AUC 均高于单分支基线和固定融合混合模型。在椒盐噪声下，虽然 FAF-型在低到中度损坏时表现最好，但标量权重融合基线（H-Scalar）在严重损坏水平下表现出竞争性或更优的性能，这表明最优融合策略可能会随噪声严重程度而变化。
• 量子模块分析：
  • 电路深度： 浅层电路（单层）表现最佳；当深度增加到 2 或 3 层时，结果反而下降，这表明较深的电路在没有增加必要表达能力的情况下引入了优化挑战。
  • 测量基底： 没有单一的测量基底（Pauli-X, Y, Z）或组合基底（XYZ）能在所有电路布局中始终保持领先，尽管采用 Pauli-X 测量的电路 1 取得了最佳整体结果。
  • 稳定性： 纯量子分支（HQNN）表现最低且方差最大，证实了量子组件最适合作为补充预测器，而非独立的分类器。

意义与声明
论文声称，特征自适应融合是提高混合量子-经典模型在生物医学图像分类中准确性和鲁棒性的有效策略。结果表明，虽然纯量子模型目前尚不足以胜任独立的复杂任务，但当与经典编码器集成时，量子分支可以提供有用的互补信息。自适应融合机制允许模型动态地利用这些互补优势，特别是在受到损坏的输入条件下。

作者持谨慎态度，指出研究结果是基于模拟（使用 PennyLane 的 default.qubit）和受控的 MedMNIST 基准测试。他们承认，这些结果尚未反映硬件特有的效应（如门噪声、退相干），且观察到的优势需要在更大、更高分辨率的临床数据集以及真实的 NISQ 硬件上进行验证。研究结论认为，混合学习在 NISQ 时代的实际价值可能不在于取代经典深度学习，而在于通过自适应集成来丰富表示的多样性并提高鲁棒性。