摘要：量子机器学习（QML）在医学分类领域的应用日益受到关注，然而，在考虑子群体公平性准则下的表现仍缺乏深入研究。我们针对医学影像中的经典与量子分类器开展了一项实证性的公平性审计，假设量子机器学习本身并不天然具备公平性。本研究评估了两种场景：基于DDI数据的皮肤病变分类（敏感属性为Fitzpatrick肤色类型）以及基于CheXpert衍生数据的胸部X光片分类（敏感属性为年龄组）。利用ResNet-18提取的特征向量，我们在基准设置及三种缓解策略下训练了支持向量机、多层感知机、量子支持向量机和量子卷积神经网络：可微分的等权优势（EO）正则化、梯度反转学习（GRL），以及二者结合。基础模型（PanDerm、EVA-X）被用作外部参考。尽管量子分类器能够实现具有竞争力的综合性能，但仍可能存在子群体间的差异。由于较小的子群体AUC差距可能源于对最优群体性能的削弱而非对最差群体性能的提升，因此每种缓解策略还对照预先设定的、相对于其基准的非劣效性阈值进行了检验。依据这一标准，若干表现出最小差异的配置——尤其是DDI数据上采用GRL的量子卷积神经网络——因全局判别能力的下降而在临床实践中不可接受。在DDI数据上，量子支持向量机结合GRL与EO的表现最佳，并在性能与公平性的权衡中接近PanDerm；而在CheXpert数据上，量子卷积神经网络配合GRL虽实现了最高的综合性能，却加剧了群体间差异，而EVA-X依然更具优势。公平性效应具有模型与数据集依赖性，因此量子机器学习亟需基于实证的、面向子群体的评估。所有量子模型均在经典模拟环境中运行，我们声明并未观察到任何量子优势。
主题：| 机器学习（cs.LG）；人工智能（cs.AI）；计算机与社会（cs.CY） 引用格式：| arXiv:2610.37819 [cs.LG] | （或
arXiv:2610.37819v1 [cs.LG] 适用于此版本） | https://doi.org/10.48550/arXiv.2610.37819
点击了解更多信息
通过DataCite发布的arXiv DOI（待注册）
提交历史
访问论文：
查看PDF
HTML（实验性）
TeX源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
Google 学术搜索
Semantic Scholar
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的组织，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于这些价值理念，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。