양자 기계 학습을 이해하려면 일반화에 대한 재고가 필요하다

양자 기계 학습 모델은 적은 데이터로 훈련하더라도 성공적인 일반화 성능을 보여주었다. 이 연구에서는 체계적인 무작위화 실험을 통해 기존의 일반화 이해 방법이 이러한 양자 모델의 행동을 설명하는 데 실패한다는 것을 보여준다. 우리의 실험은 최첨단 양자 신경망이 훈련 데이터의 무작위 상태와 무작위 레이블을 정확하게 맞춘다는 것을 드러낸다. 무작위 데이터를 기억하는 이 능력은 현재의 작은 일반화 오류 개념에 도전하여 VC 차원, 라데마허 복잡성 및 그 모든 균일한 상대들의 복잡성 측정을 기반으로 한 접근 방식을 문제화한다. 우리는 양자 신경망이 양자 상태에 임의의 레이블을 맞출 수 있다는 이론적 구성으로 우리의 실증 결과를 보완하고, 이들이 기억 능력을 갖추고 있음을 암시한다. 우리의 결과는 적은 훈련 데이터로 좋은 일반화의 가능성을 배제하지 않지만, 모델 가족의 속성만을 기반으로 한 어떠한 보장도 배제한다. 이러한 발견은 양자 기계 학습에서 일반화에 대한 기존 이해에서 근본적인 도전 과제를 드러내고, 기계 학습 작업을 위한 양자 모델 연구에서 패러다임 변화의 필요성을 강조한다.