변분 양자 분류기를 활용한 안전한 양자 기계 학습 (SAFE Quantum Machine Learning)

우리는 진폭 인코딩 (Amplitude Encoding)을 통해 고차원 딥 표현 (Deep Representations) 상에서 작동하며, 학습 가능한 고전적 사전 인코딩 (Classical Pre-encoding) 레이어에 의해 안정화되는 변분 양자 분류기 (Variational Quantum Classifier)를 제안합니다. 정규화된 진폭 임베딩 (Normalized Amplitude Embeddings)과 유계된 양자 관측량 (Bounded Quantum Observables)을 결합함으로써, 결과 모델은 입력 변화에 대한 민감도가 제어된 구조적이고 매끄러운 가설 클래스 (Hypothesis Class)를 유도합니다. 모델의 신뢰성은 Cramer-von Mises 발산 (Cramer-von Mises Divergence)에서 유도된 SAFE-AI 지표를 사용하여 평가되며, 이를 통해 정확도 (Accuracy), 강건성 (Robustness), 설명 가능성 (Explainability) 차원 전반에 걸쳐 일관된 평가가 가능합니다. 실증적 결과에 따르면, 제안된 양자 모델은 강력한 고전적 베이스라인 (Classical Baselines)과 비교하여 경쟁력 있는 예측 성능을 제공하는 동시에, 노이즈에 대한 개선된 강건성과 구조적 특징 제거 (Structured Feature Removal) 하에서의 안정성을 갖춘 더욱 균형 잡힌 SAFE 신뢰성 프로필을 보여줍니다. 이러한 발견은 변분 양자 회로 (Variational Quantum Circuits)가 안전이 중요한 (Safety-critical) 환경에서 안정성 지향적인 SAFE 학습을 위한 원칙적인 메커니즘을 제공함을 시사합니다.