의료 기본 모델 임베딩에서의 양자 커널 우위와 고전적 붕괴에 대한 증거
요약
본 연구는 MIMIC-CXR 흉부 X-선 영상 기반 이진 보험 분류 작업에서 양자 지원 벡터 머신(QSVM)의 성능을 검증했습니다. 세 가지 의료 기본 모델 임베딩을 활용하여, QSVM이 고전적 선형 SVM 대비 통계적으로 유의미한 F1 점수 향상을 보이며 '양자 커널 우위'를 입증했습니다. 특히, 고전적 방법론은 큐비트 수에 관계없이 다수 클래스 예측으로 붕괴되는 현상이 관찰된 반면, QSVM은 높은 재현율을 유지하며 성능 우위를 지속적으로 보여주었습니다.
핵심 포인트
- QSVM이 의료 임베딩 기반 이진 분류 작업에서 고전적 SVM 대비 통계적으로 유의미한 성능 향상을 입증했습니다.
- 고전적 선형 커널은 큐비트 수 증가에 관계없이 다수 클래스 예측으로 '붕괴(collapse)'되는 현상이 관찰되었습니다.
- QSVM은 하이퍼파라미터 조정 없이도 높은 재현율을 유지하며 양자 커널 우위를 입증했습니다.
- 고유스펙트럼 분석 결과, QSVM의 유효 순위가 선형 커널보다 훨씬 높아 모델의 복잡한 구조적 정보를 효과적으로 포착함을 보여주었습니다.
우리는 노이즈 없는 시뮬레이션 환경에서 MIMIC-CXR 흉부 X-선 영상에 기반한 이진 보험 분류 작업에서 양자 지원 벡터 머신 (QSVM) 을 사용하여 세 가지 의료 기본 모델 (MedSigLIP-448, RAD-DINO, ViT-patch32) 의 고정된 임베딩을 활용했을 때의 양자 커널 우위 (quantum kernel advantage) 에 대한 증거를 제공합니다. 우리는 양쪽 분류기 모두 동일한 PCA-q 특징을 수신하도록 설계된 두 단계 공정한 비교 프레임워크를 제안합니다. 1 단계 (조정되지 않은 QSVM 대 조정되지 않은 선형 SVM, 양쪽 C = 1) 에서 QSVM 은 테스트된 18 가지 구성의 모든 경우에 소수 클래스 F1 점수를 얻었으며 (p < 0.001 인 경우 17 개, p < 0.01 인 경우 1 개), 고전적 선형 커널은 큐비트 수에 관계없이 시드 (seed) 의 90-100% 에서 다수 클래스 예측으로 붕괴 (collapse) 되었지만 QSVM 은 유의미한 재현율 (recall) 을 유지했습니다. q = 11 (MedSigLIP-448 평탄부 중심) 에서 QSVM 은 하이퍼파라미터 조정이 없이 평균 F1 = 0.343, 고전적 F1 = 0.050 (F1 증가량 = +0.293, p < 0.001) 을 달성했습니다. 2 단계 (조정되지 않은 QSVM 대 C-조정 RBF SVM) 에서 QSVM 은 테스트된 7 가지 구성 모두에서 승리했습니다 (평균 증가량 +0.068, 최대 +0.112). 고유스펙트럼 분석은 q = 11 에서 양자 커널의 유효 순위 (effective rank) 가 69.80 으로 선형 커널 순위보다 훨씬 높음을 보여주었으며, 고전적 붕괴는 C 불변성 (C-invariant) 을 유지했습니다. 전체 큐비트 스윕은 모델에 따라 구조 의존적인 집중 시작점 (concentration onset) 을 드러냈습니다. 코드: https://github.com/sebasmos/qml-medimage
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기