양자 머신러닝 (Quantum machine learning)은 종종 양자 시스템의 기하급수적으로 큰 상태 공간에 의해 동기 부여를 받지만, 이러한 가능성은 기본적인 일반화 (generalization) 문제를 해결하지 못한 채 남겨둡니다. 즉, 학습 데이터가 선호되는 기저 (basis), 측정 프레임 (measurement frame) 또는 기타 방향을 설정하는 구조를 제공하지 않을 때, 학습자가 보지 못한 양자 방향에 어떻게 서로 다른 의미를 부여할 수 있는가 하는 문제입니다. 우리는 외부 양자 참조 프레임 (quantum reference frame) 없이 지도 학습 (supervised learning)을 공식화함으로써 이 식별 가능성 (identifiability) 문제를 다루며, 이를 통해 예측이 힐베르트 공간 (Hilbert-space) 좌표의 임의적인 선택에 의존할 수 없도록 합니다. 이러한 요구 사항은 학습된 분류기 (classifier)가 학습 데이터에 의해 깨지지 않은 모든 유니터리 대칭성 (unitary symmetry)을 보존하도록 강제합니다. 우리는 학습 상태가 전체 힐베르트 공간을 채우지 못할 때마다, 그 공간의 스팬 (span)에 직교하는 모든 순수 상태 (pure states)는 동일한 예측을 받아야 함을 증명합니다. 이는 해당 상태들이 서로 직교하며 적절한 측정이 제공될 경우 완벽하게 구별 가능할 때조차 마찬가지입니다. 따라서 이러한 한계는 상태 식별 (state discrimination), 최적화 (optimization) 또는 계산 능력 (computational power)에 의해 발생하는 것이 아니라, 누락된 참조 정보 (reference information)에 의해 발생합니다. 우리는 더 나아가 약한 대칭성 깨짐 (weak symmetry breaking) 하에서의 강건한 버전을 확립하고, 다중 큐비트 (multiqubit) 시스템에서 일반적인 비구조적 개념을 학습하려면 기하급수적으로 많은 독립적으로 방향이 설정된 학습 방향이 필요함을 보여줍니다. 수치적 예시 (Numerical illustrations)를 통해 결과적으로 발생하는 예측 붕괴 (prediction collapse)와 그 제어된 완화를 시각화합니다. 우리의 결과는 특징 맵 (feature maps), 측정 기저 (measurement bases), 해밀토니안 (Hamiltonians), 국소성 (locality), 대칭성 사전 정보 (symmetry priors), 아키텍처 (architectures) 및 충분히 다양한 학습 상태를 일반화를 위한 운영 자원 (operational resources)으로 식별합니다. 핵심적인 시사점은 힐베르트 공간의 차원만으로는 학습 가능한 특징 공간이 될 수 없다는 것입니다. 성공적인 양자 머신러닝 (QML)은 보지 못한 양자 방향에 의미론적 의미를 부여하는 물리적 구조를 반드시 명시해야 합니다.