HQxDeepFM — ayollarga yo‘naltirilgan kiyiladigan qurilmalar hamda telefon/soat xizmatlarida ruxsat etilgan fiziologik, kontekstual, qurilma, xizmat tarixi va foydalanuvchi vakolatlari xususiyatlarini birgalikda qayta ishlash uchun ishlab chiqilgan, maxfiylik va shovqinni hisobga oluvchi gibrid kvant-klassik xususiyatlar o‘zaro ta’siri modelidir. Model xDeepFMning past darajali ta’sirlar, ochiq yuqori darajali o‘zaro ta’sirlar va yashirin nolinear tasvirlar ko‘rinishidagi funksional ajratilishini saqlaydi; biroq klassik Linear, CIN va DNN tarmoqlarini mos ravishda QLinear, QCIN va QDNN deb nomlangan sayoz variatsion kvant sxemasi (Variational Quantum Circuit, VQC) asosidagi tarmoqlar bilan almashtiradi. Ushbu tarmoqlar Pauli-Z kutilma qiymatlarini o‘lchangan xususiyat tasvirlari sifatida hosil qiladi va chiqishlar yengil klassik fuziya boshida birlashtiriladi.

Tadqiqot uchta ochiq ma’lumotlar to‘plamida baholash olib boradi: Menstrual Sleep-Wake (MSW) ayollarga xos aqlli soat yordamidagi hayz sikli xizmat oynasi vazifasini; WESAD kiyiladigan stress/affekt yordam xizmatini; ExtraSensory esa telefon va soat asosidagi kontekstni aniqlashni ifodalaydi. Asosiy tajribalar identifikatsiya sizib chiqishini kamaytirish uchun MSWda ishtirokchi-ajratilgan, WESADda subyekt-ajratilgan va ExtraSensoryda foydalanuvchi-ajratilgan besh qavatli validatsiyadan foydalanadi. Shuningdek, siyosat sababli xususiyat guruhlaridan foydalanib bo‘lmaydigan holatlar, yetishmayotgan sensorlar, tarmoq ablyatsiyalari, 2–8 kubitli VQC sig‘imi, 2/4/6 sxema chuqurligi hamda faza so‘nishi, amplituda so‘nishi va depolyarizatsiya shovqin kanallari o‘rganiladi.

Besh qavat o‘rtachalarida HQxDeepFMEM MSW uchun AUC 0,712 va Macro-F1 0,629; WESAD uchun AUC 0,910 va Macro-F1 0,838; ExtraSensory uchun AUC 0,818 va Macro-F1 0,773 natijalarini beradi. Shu jadvaldagi eng kuchli klassik taqqoslashlarning AUC qiymatlari mos ravishda 0,699, 0,898 va 0,806 darajasidadir. Shu sababli tadqiqot taklif etilgan gibrid tuzilma baholangan vazifalarda kichik, ammo izchil o‘rtacha ishlash o‘sishi va qulayroq aniqlik–o‘rgatiladigan parametr muvozanatini ta’minlashini ilgari suradi. Biroq tadqiqot preprintdir; statistik ahamiyatlilik testi, haqiqiy kvant apparatida validatsiya, klinik ta’sir, haqiqiy foydalanuvchi qabul qilishi yoki qurilma ustidagi energiya/kechikish o‘lchovlarini taqdim etmaydi. Shuning uchun natijalar real hayotdagi ayollar salomatligi xizmatlariga bevosita klinik ustunlik sifatida umumlashtirilmasligi kerak.

Tadqiqot muammosi nega faqat “yuqoriroq bashorat aniqligi” emas?

Kiyiladigan salomatlik va farovonlik xizmatlarida model kirishlari doimiy bo‘lmasligi mumkin. Foydalanuvchi ayrim ma’lumotlarni ulashmasligi mumkin, sensor o‘sha paytda ishlamasligi mumkin, ilova siyosati muayyan xususiyatdan foydalanishga ruxsat bermasligi mumkin yoki qurilma konteksti o‘zgarishi mumkin. Shu sababli tadqiqotning asosiy muammosi faqat ko‘p sonli xususiyatlarni birlashtirib tasniflash emas; faqat ruxsat etilgan xususiyat guruhlari bilan ishlay oladigan, yetishmayotgan kirishlar ostidagi xatti-harakati kuzatilishi mumkin bo‘lgan va model hajmi nisbatan ixcham saqlanadigan qaror qatlamini qurishdir.

Manba bu muammoni ayniqsa ayollarga yo‘naltirilgan xizmat ssenariylarida ko‘rib chiqadi. Hayz siklini qo‘llab-quvvatlash kabi xizmat oynasi uyqu vaqti, uyqu davomiyligi, ritm muntazamligi, bazal tana haroratiga asoslangan ko‘rsatkichlar, sikl vaqtlari, ixtiyoriy o‘z-o‘zini hisobot qilish va kirish siyosati kabi sohalarni birgalikda baholashni talab qilishi mumkin. Shunga qaramay, model sog‘liqni saqlash xodimi, klinik tashxis yoki ilova siyosati o‘rnini bosishi da’vo qilinmaydi; model siyosat qatlamidan keyin ishlaydigan qarorlarni qo‘llab-quvvatlash komponenti sifatida joylashtiriladi.

HQxDeepFM Nima va xDeepFMdan Qanday Farq Qiladi?

HQxDeepFM — xDeepFMning uchta asosiy funksiyasini saqlab, ularning har birini alohida sayoz variatsion kvant sxemasi bilan ifodalovchi gibrid arxitektura: QLinear past darajali ta’sirlarni, QCIN ochiq ko‘ndalang maydonlararo o‘zaro ta’sirlarni, QDNN esa yashirin nolinear tasvirlarni qayta ishlaydi; uchala tarmoqning Pauli-Z kutilma xususiyatlari keyin klassik fuziya boshida birlashtiriladi.

xDeepFMda Linear tarmog‘i yakka/past darajali hissalarni, Compressed Interaction Network (CIN) ochiq yuqori darajali xususiyat o‘zaro ta’sirlarini, chuqur neyron tarmoq (DNN) esa yashirin o‘zaro ta’sirlarni ifodalaydi. HQxDeepFMning dizayn tanlovi butun modelga bitta “kvant qatlami” qo‘shish o‘rniga ushbu uch funksiyaning har biriga rolga mos VQC joylashtirishdir. Shu tariqa tadqiqotchilar ishlash o‘zgarganda qaysi funksional tarmoq hissasi muhimroq ekanini ablyatsiya orqali alohida tekshira oladilar.

Maxfiylik chegarasining matematik asosi

Tenglama (1) bitta xizmat namunasining beshta xususiyat guruhidan iboratligini belgilaydi: \(x^w\) kiyiladigan fiziologiya; \(x^c\) kontekst yoki qurilma holati; \(x^s\) o‘z-hisobot yoki simptom maydonlari; \(x^h\) xizmat tarixi; \(x^a\) esa foydalanish imkoniyati/siyosat ko‘rsatkichlaridir. Bu ifoda ishlash tenglamasi emas, ma’lumot qaysi semantik guruhlarga ajratilganini ko‘rsatadigan kirish ta’rifidir. O‘zgaruvchilar bevosita fizik birlikka ega yakka o‘lchovlar bo‘lishi shart emas; har bir guruh bir nechta masshtablangan yoki embedding qilingan xususiyatlarni o‘z ichiga olishi mumkin.

Tenglama (2)da \(g\) xususiyat guruhi darajasidagi ikkilik foydalanish imkoniyati vektoridir. Bir guruh uchun \(g=1\) bo‘lsa, guruh modelga uzatiladi; \(g=0\) bo‘lsa, tegishli guruh foydalanuvchi tanlovi, ilova siyosati yoki sensor yo‘qligi sababli niqoblanadi. Matematik jihatdan bu guruhning model kirishiga hissasini nolga tushiradi. Ilmiy ma’nosi “maxfiylik” tushunchasini mavhum axloqiy yorliq sifatida qoldirish o‘rniga tajribada boshqariladigan xususiyatga kirish shartiga aylantirishidir. Biroq bu niqob haqiqiy foydalanuvchi roziligining sotsiologik yoki huquqiy yaxlitligini modellashtirmaydi; tadqiqotda tajriba sharti sifatida qo‘llanadi.

Tenglama (3) niqoblangan kirish \(\tilde{x}\) va o‘rganiladigan parametrlar \(\Theta\) berilganda maqsad sinfining ehtimolini belgilaydi. \(y\) “qo‘llab-quvvatlash oynasi” yoki “xizmat-tayyorligi” yorlig‘i; \(\hat{y}\) esa model bashoratidir. Bu ehtimol klinik xavf ehtimoli sifatida talqin qilinmasligi kerak; u ma’lumotlar to‘plamiga ko‘ra belgilangan tasniflash maqsadining model chiqishidir.

Maxfiylik Chegarasi Model Kirishlariga Qanday Qo‘llanadi?

Tadqiqotda maxfiylik chegarasi xususiyatlarni keyin bittalab o‘chirishdan ko‘ra, fiziologiya, kontekst/qurilma, o‘z-hisobot, xizmat tarixi va kirish siyosati kabi guruhlarga ajratib, guruh darajasida ikkilik ruxsat vektori bilan niqoblash orqali qo‘llanadi; shu tariqa model mavjud bo‘lmagan guruh o‘rniga qolgan vakolatli guruhlardan o‘zaro ta’sirlarni o‘rganishga majbur bo‘ladi.

Bu yondashuv “yetishmayotgan sensor” tajribasini ham umumiy doirada o‘rganishga imkon beradi. Tadqiqotchilar to‘liq xususiyat holatini ma’lum guruhlar bosqichma-bosqich saqlanadigan shartlar bilan taqqoslaydi va AUCning qancha qismi saqlanganini o‘lchaydi. Shunday qilib, model faqat yuqori to‘liq-ma’lumot ishlashiga ko‘ra emas, ma’lumotga kirish cheklangan sharoitdagi nisbiy barqarorligiga ko‘ra ham baholanadi.

Variatsion kvant sxemasi tarmog‘i qanday xususiyat hosil qiladi?

Tenglama (4) har bir \(q\) tarmog‘ida klassik kirish vektori \(v_q\) avval ma’lumot kodlagichi \(U_{enc}\) bilan kvant holatiga kodlanishini, so‘ng o‘rganiladigan parametrlari \(\theta_q\) bo‘lgan variatsion blok \(U_q\) tomonidan o‘zgartirilishini ko‘rsatadi. \(n_q\) tarmoqning kubit kengligidir. Sxema chiqishi bevosita sinf yorlig‘i emas; har bir kubit uchun Pauli-Z kuzatiluvchisining kutilma qiymati \(\langle Z_i\rangle\) o‘lchanadi va ular \(e_q\) xususiyat vektorini hosil qiladi. Pauli-Z kutilmasi o‘lchovsiz bo‘lib, ideal holatda −1 bilan +1 orasidagi kvant kuzatiluvchisi o‘rtachasini ifodalaydi.

Manba har bir tarmoqda burchak kodlash va takroriy aylanish–chirmashuv bloklari qo‘llanganini bildiradi. “Sxema chuqurligi” bu yerda shu o‘rganiladigan bloklarning takrorlanish sonidir. Sezgirlik tahlilida tarmoq kengligi 2, 4, 6 va 8 kubit; sxema chuqurligi esa 2, 4 va 6 sifatida skan qilingan. Tadqiqot fizik kvant qurilmasi nomini, haqiqiy apparat backendini yoki apparat shot sonini bildirmagani uchun bu natijalar real kvant apparati ishlashi sifatida talqin qilinmasligi kerak.

Uch kvant tarmog‘i chiqishlari qanday birlashtiriladi?

Tenglama (5)da \(e_{QL}\), \(e_{QCIN}\) va \(e_{QDNN}\) uch kvant tarmog‘ining o‘lchangan xususiyatlaridir. Kvadrat qavslar birlashtirishni, \(h(\cdot)\) yengil klassik fuziya boshini, \(\sigma\) esa sigmoid o‘zgarishini bildiradi. Shu tariqa kvant sxemalari oraliq xususiyat ishlab chiqaruvchi, klassik bosh esa yakuniy ehtimol bashoratchisi sifatida ishlaydi. Bu gibrid ajratish tadqiqotning “kvant modeli butun tasniflashni yolg‘iz bajaradi” degan da’voni ilgari surmasligini aniq ko‘rsatadi.

QCIN ochiq o‘zaro ta’sirlarni qanday saqlaydi?

Tenglama (6) xDeepFM/CIN oilasining ochiq ko‘ndalang o‘zaro ta’sir mantiqini saqlovchi siqilgan o‘zaro ta’sir bosqichini ifodalaydi. \(x^{0}_{j,*}\) asl maydon embeddingini, \(x^{k-1}_{i,*}\) oldingi o‘zaro ta’sir qatlamidagi holatni, \(W^{k,h}_{ij}\) o‘rganiladigan koeffitsiyentni va \(\odot\) Hadamard, ya’ni element bo‘yicha ko‘paytirishni bildiradi. \(m\) asl maydonlar sonini, \(H_{k-1}\) oldingi qatlamdagi o‘zaro ta’sir xaritalari sonini ifodalaydi. Matematik vazifa maydon juftlarining element bo‘yicha ko‘paytmalarini o‘rganiladigan og‘irliklar bilan birlashtirib, ochiq yuqori darajali o‘zaro ta’sirlar yaratishdir. HQxDeepFMda bu ko‘ndalang xususiyatlar keyin VQC siqish birligi tomonidan Pauli-Z kutilma xususiyatlariga aylantiriladi.

O‘qitish yo‘qotishi nimani optimallashtiradi?

Tenglama (7) ikkilik kross-entropiya bilan L2 regulyarizatsiyani birlashtiradi. Birinchi had haqiqiy yorliq \(y_i\) bilan bashorat \(\hat{y}_i\) o‘rtasidagi tasniflash xatosini jazolaydi; ikkinchi had model parametrlari \(\Theta\) kattaligini \(\lambda\) koeffitsiyenti bilan cheklaydi. \(N\) mini-batch yoki hisoblash guruhidagi namunalar sonini bildiradi. Maqsad faqat o‘qitish ma’lumotiga haddan tashqari moslashish o‘rniga muvozanatli parametr kattaliklari bilan umumiy ishlashni saqlashdir. Manba bu tenglamani beradi, biroq optimizer, o‘rganish tezligi, batch hajmi va epoch soni kabi o‘qitish tafsilotlarini ochiq bildirmaydi.

Xususiyatlardan foydalanish kamayganda ishlash qanday o‘lchanadi?

Tenglama (8) to‘liq xususiyatli AUC bilan kirish niqobi ostidagi AUC o‘rtasidagi mutlaq yo‘qotishni o‘lchaydi. Qiymat kattalashgani sari xususiyat guruhini ushlab qolish model ajratish kuchini ko‘proq kamaytirgan bo‘ladi. Tenglama (9) esa shu o‘zgarishni foiz ko‘rinishida AUC saqlanishi sifatida beradi. To‘liq xususiyatli ishlash %100 deb olinadi; masalan, %90 darajadagi \(R_{AUC}\) niqoblangan sharoitda to‘liq xususiyat AUCsining %90 qismi saqlanganini anglatadi. Bu nisbat turli ma’lumotlar to‘plamining boshlang‘ich AUClari farq qilsa ham nisbiy barqarorlikni taqqoslashni osonlashtiradi.

HQxDeepFMEM Kvant Shovqinini Qanday Kamaytiradi?

HQxDeepFMEM toza modelning kvant tarmoqlarini o‘qitgach, ularni muzlatadi; faqat o‘qitish qavatida yaratilgan toza va buklangan-shovqinli kutilma profillaridan foydalanib, MLP nol-shovqin ekstrapolyatsiya modelini o‘rganadi va validatsiya qavatida shovqinli Pauli-Z kutilmalarini taxminiy nol-shovqin qiymatlari bilan almashtirib, o‘sha klassik fuziya boshidan yana bashorat hosil qiladi.

Tenglama (10) kvant shovqinini to‘liq musbat va izni saqlovchi (completely positive trace-preserving, CPTP) kanal sifatida ifodalaydi. \(\rho\) kirish zichlik matritsasi, \(\rho'\) shovqindan keyingi holat, \(\mathcal{E}\) kanal va \(A_i\) Kraus operatorlaridir. Tadqiqotda faza so‘nishi, amplituda so‘nishi va depolyarizatsiya kanallari shu doirada boshqariladigan buzuvchi jarayonlar sifatida qo‘llanadi. Bu tenglama o‘zi shovqinni “tuzatmaydi”; faqat fizik jihatdan to‘g‘ri shovqin o‘zgarishining matematik ifodasidir.

Xatoni kamaytirish bosqichida MLP-ZNE regressori \(f_{\phi}\) turli shovqin masshtablarida olingan buklangan kutilmalardan toza kutilma mos yozuvini taxmin qilishni o‘rganadi. O‘qitish juftlari faqat o‘qitish qavatidan yaratiladi; validatsiya yorliqlari yoki downstream maqsadlari bu regressor o‘qitilishida ishlatilmaydi. Bu ajratish xatoni kamaytirish bosqichida validatsiya ma’lumotining sizib chiqishini oldini olishga qaratilgan. Shovqindan keyingi ishlash \(100\times AUC_{mitigated}(p)/AUC_{clean}\) ko‘rinishidagi saqlanish nisbati bilan bildiriladi.

Shovqin kanallari bir xil qiyinchilik tug‘diradimi?

Yo‘q. Tadqiqot issiqlik xaritalari past va o‘rta shovqin darajalarida faza so‘nishi va amplituda so‘nishi ostida MLP-ZNEdan so‘ng yuqori AUC saqlanishi kuzatilishi mumkinligini; depolyarizatsiya shovqini esa ancha sezilarli ishlash yo‘qotishiga olib kelishini ko‘rsatadi. Shovqin ehtimoli \(p\) uchun 0,01, 0,03, 0,05, 0,10 va 0,15 darajalari; kubit soni uchun 2, 4, 6 va 8 ustunlari o‘rganilgan. Mualliflarning talqini depolyarizatsiya signal tashuvchi Pauli-Z kutilmalarini kengroq buzishi va MLP asosidagi ekstrapolyatsiya uchun kamroq tuzilgan xato naqshini qoldirishi tomonida.

Bu natijalar haqiqiy kvant ustunligini ko‘rsatadimi?

Tadqiqot “kvant ustunligi”ni yoki klassik hisoblash erisha olmaydigan hisoblash afzalligini ko‘rsatmaydi. Taqqoslash muayyan gibrid arxitekturaning tasniflash metriklari, o‘rganiladigan parametr yuklamasi, xususiyatlardan foydalanish barqarorligi va boshqariladigan shovqin ostida AUC saqlanishiga qaratilgan. Haqiqiy kvant apparati kechikishi, shot xarajati, kvant ishlov vaqti, xato kalibrlash yoki energiya sarfi bildirilmagani sababli natijalar algoritmik/model darajasidagi tajribalar sifatida baholanishi kerak.

Tadqiqot Usuli va Natijalari

Ma’lumotlar to‘plamlari va vazifalar

Yorliqlar model o‘qitilishidan oldin ochiq ma’lumotlar to‘plamlarining mavjud tavsiflari yoki maydonlaridan tuziladi. MSW tadqiqotning ayollarga xos asosiy tayanchidir. WESAD va ExtraSensory esa bevosita ayollarga xos ma’lumotlar to‘plami sifatida taqdim etilmaydi; affektiv farovonlik va kontekstni aniqlash kabi ko‘chirilishi mumkin bo‘lgan xizmat komponentlarini sinash uchun ishlatiladi. Bu farq “uchala ma’lumotlar to‘plamining barchasida ayollarga xos klinik validatsiya o‘tkazildi” degan noto‘g‘ri umumlashtirishning oldini oladi.

Taqqoslash modellari

Tadqiqot Logistic Regression (LR), Random Forest (RF), LightGBM, DeepFM, xDeepFM va AutoInt modellaridan taqqoslash bazasi sifatida foydalanadi. Ushbu guruh chiziqli qaror chegarasidan daraxt ansambllarigacha; ochiq yuqori darajali o‘zaro ta’sirlardan chuqur va e’tibor asosidagi tasvirlargacha turli klassik model oilalarini qamrab oladi. HQxDeepFM va HQxDeepFMEM xDeepFM bilan bir xil embedding o‘lchami va tarmoq skeletidan foydalanadigan qilib qurilgan; shu orqali mualliflar ishlash farqini faqat kattaroq kirish tasviriga bog‘lamaslikka harakat qiladi.

Asosiy ishlash natijalari

Jadvaldagi eng yuqori o‘rtacha AUC va Macro-F1 qiymatlari uchala ma’lumotlar to‘plamida ham HQxDeepFMEM qatoridadir. Verianla faqat jadval qiymatlaridan qilgan oddiy farq hisobida HQxDeepFMEM AUCsi har bir ma’lumotlar to‘plamidagi eng yuqori klassik AUCga nisbatan MSWda +0,013, WESADda +0,012 va ExtraSensoryda +0,012 yuqoridir. Macro-F1 uchun shu mutlaq farqlar mos ravishda +0,014, +0,017 va +0,017 dir. Bular yangi tajriba natijasi yoki statistik effekt kattaligi emas; manba jadvalidagi o‘rtachalarning arifmetik farqidir. Maqola p-qiymat, ishonch oralig‘i yoki juftlangan ahamiyatlilik testini bildirmagani sababli bu farqlar “statistik jihatdan isbotlangan ustunlik” sifatida talqin qilinmasligi kerak.

Aniqlik–ixchamlik muvozanati

Manbaning aniqlik–ixchamlik grafigi HQxDeepFM oilasi klassik chuqur o‘zaro ta’sir modellariga nisbatan yuqoriroq AUCni pastroq o‘rganiladigan bashorat dvigateli parametr yuklamasi bilan birlashtiradigan sohaga siljiganini ko‘rsatadi. Parametr hisobiga embedding/proyeksiya komponentlari, o‘rganiladigan VQC burchaklari va klassik fuziya boshi kiradi; HQxDeepFMEM uchun MLP-ZNE regressori ham hisoblanadi. Oldindan ishlov berish va shovqin kanal operatorlari o‘rganiladigan parametr hisobiga kiritilmaydi. Manba grafigi taxminiy parametr joylashuvlarini ko‘rsatsa-da, matnda model bo‘yicha aniq parametr jadvali berilmagani uchun bu yerda yangi aniq parametr sonlari yaratilmagan.

Tarmoq ablyatsiyasi nimani ko‘rsatadi?

Bir xil ma’lumot bo‘linmalarida o‘tkazilgan ablyatsiyada QDNN olib tashlanganda eng katta ishlash pasayishi kuzatiladi. Bu topilma yashirin nolinear tasvir kiyiladigan va telefon/soat ma’lumotlaridagi ajratuvchi naqshlar uchun eng kuchli tarmoqlardan biri ekanini ko‘rsatadi. QCIN olib tashlanganda ham ishlash sezilarli ravishda pasayadi; bu fiziologiya, kontekst, xizmat tarixi va kirish niqoblari orasidagi ochiq ko‘ndalang o‘zaro ta’sirlarning hissasini qo‘llab-quvvatlaydi. QLinear olib tashlanganda pasayish mo‘tadilroq, ammo izchil; mualliflar buni past darajali ta’sirlar hukmron bo‘lmagan, lekin barqaror baza yaratishi sifatida talqin qiladi.

Xususiyatlardan foydalanish va yetishmayotgan sensorlarga barqarorlik

Tadqiqotning xususiyatlardan foydalanish tajribasida vakolatli xususiyat guruhlarining tobora katta qismi bosqichma-bosqich saqlanadi va to‘liq xususiyat holatiga nisbatan AUC saqlanishi kuzatiladi. Grafiklar 0 dan %40 gacha ortib boradigan saqlangan xususiyat guruhlari ulushida barcha modellar ishlashi pasayishini, HQxDeepFM esa baholangan klassik o‘zaro ta’sir modellariga nisbatan yuqoriroq nisbiy AUC saqlanishi tendensiyasini ko‘rsatishini bildiradi. Bu natija model bitta maxfiylikka sezgir oqimga to‘liq bog‘liq emasligini ko‘rsatadi; biroq haqiqiy foydalanuvchi roziligi xatti-harakati yoki haqiqiy sensor nosozliklarining dala sinovi emas.

Kubit soni va sxema chuqurligi

Sig‘im skani har bir VQC tarmog‘ida 2, 4, 6 va 8 kubitni; 2, 4 va 6 takroriy o‘rganiladigan sxema chuqurligini taqqoslaydi. Egri chiziq xatti-harakati monoton emas: 2 kubitdan o‘rta kengliklarga o‘tish ko‘p vazifalarda AUCni oshirsa, 8 kubitda yutuq to‘yinishi yoki kamayishi mumkin. Muhokama bo‘limi baholangan vazifalar uchun 4–6 kubit oralig‘ini aniqlik bilan resurs/shovqin yuklamasi o‘rtasida muvozanatliroq ish sohasi sifatida talqin qiladi. Bu barcha VQC qo‘llanmalari uchun universal eng yaxshi kubit soni emas; faqat ushbu vazifalar va tajriba protokoli uchun kuzatilgan tendensiyadir.

Shovqindan keyingi AUC saqlanishi

HQxDeepFMEMning MLP-ZNE bosqichi faza so‘nishi va amplituda so‘nishi ostida past-o‘rta shovqin darajalarida yuqori AUC saqlanishini ta’minlaydi. Issiqlik xaritalarida depolyarizatsiya shovqini, ayniqsa yuqori \(p\) qiymatlarida, keskinroq pasayish hosil qiladi. Masalan, manba issiqlik xaritasida \(p=0,15\) qatorida depolyarizatsiya ostidagi saqlanish qiymatlari ma’lumotlar to‘plami va kubit soniga qarab taxminan 80 diapazonining quyi qismidan 80 diapazonining yuqori qismigacha tushishi mumkin; bu qiymatlar rasmdan o‘qiladi va bu yerda aniq umumiy koeffitsiyent sifatida umumlashtirilmasligi kerak. Asosiy ilmiy xabar shuki, xatoni kamaytirish shovqinni to‘liq yo‘qotmaydi va depolyarizatsiya eng qiyin kanal bo‘lib qoladi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Rolga mos QLinear, QCIN va QDNN tarmoqlarini birlashtirgan HQxDeepFM uchta baholangan vazifada klassik taqqoslashlarga qaraganda yuqoriroq o‘rtacha AUC va Macro-F1 berdi.
• HQxDeepFMEM MLP yordamidagi nol-shovqin ekstrapolyatsiyasidan keyin HQxDeepFMga nisbatan kichik qo‘shimcha o‘rtacha yutuqlar ko‘rsatdi.
• Ishtirokchi/subyekt/foydalanuvchi-ajratilgan besh qavatli dizayn bir shaxs o‘qitish va validatsiya tomonlarida bo‘lishidan kelib chiqishi mumkin bo‘lgan identifikatsiyaga bog‘liq sizib chiqishni kamaytirishga qaratilgan.
• Xususiyatlardan foydalanish niqoblari ostidagi nisbiy AUC saqlanishi model ruxsat etilgan axborot guruhlari kamayganda qanday buzilishini o‘lchash uchun ishlatilishi mumkin.
• Tarmoq ablyatsiyasi QDNN eng katta, QCIN muhim va QLinear mo‘tadilroq, ammo izchil hissa bergan naqshni ko‘rsatdi.
• Kubit kengligini oshirish avtomatik ravishda yaxshiroq natija bermadi; baholangan vazifalarda o‘rta o‘lchamli 4–6 kubit oralig‘i muvozanatliroq ko‘rindi.
• Depolyarizatsiya shovqini faza va amplituda so‘nishiga nisbatan xatoni kamaytirish jihatidan qiyinroq deb topildi.

Tadqiqot qo‘llab-quvvatlamaydigan umumlashtirishlar

• Bu natijalar HQxDeepFM klinik jihatdan ayollar salomatligi tashxisini qo‘ya olishini yoki salomatlik natijasini yaxshilashini ko‘rsatmaydi.
• WESAD va ExtraSensory natijalari ayollarga xos klinik validatsiya emas; ular ko‘chirilishi mumkin bo‘lgan stress va kontekstni aniqlash vazifalaridir.
• Siyosat bilan belgilangan xususiyat niqoblari haqiqiy foydalanuvchilarning huquqiy rozilik jarayonlarini, maxfiylik idrokini yoki uzoq muddatli xatti-harakatini tasdiqlamaydi.
• Tadqiqot fizik kvant apparatida tezlik, energiya, xato darajasi yoki xarajat ustunligini ko‘rsatmaydi.
• O‘rtacha AUC/Macro-F1 farqlari statistik ahamiyatlilik testi bildirilmagani sababli universal ustunlik isboti emas.
• 4–6 kubit kuzatuvi boshqa ma’lumotlar to‘plamlari, chuqurroq sxemalar yoki boshqa kvant apparatlari uchun universal optimum sifatida olinmasligi kerak.

Qayta ishlab chiqarish nuqtayi nazaridan yetishmayotgan tafsilotlar

Manba arxitektura tenglamalari, ajratilgan qavat protokoli, taqqoslash modellari, kubit/chuqurlik skani, shovqin kanallari va asosiy metrikalarni tushuntiradi. Biroq PDFning metod va tajriba bo‘limlarida optimizer turi, o‘rganish tezligi, mini-batch hajmi, epoch soni, erta to‘xtatish sozlamasi, tasodifiy urug‘lar, kvant o‘lchash shot soni, ishlatilgan dastur/kvant simulyatori yoki fizik apparat backendi, MLP-ZNEni qatlam o‘lchamlari va shovqinni masshtablash koeffitsiyentlarining aniq qiymatlari ochiq bildirilmagan. Bu kamchiliklar manba kodi yoki qo‘shimcha materiallarsiz tajribani aynan qayta ishlab chiqarishni cheklaydi.

Qo‘llash nuqtayi nazaridan bu nimani anglatadi?

Tadqiqotning eng kuchli amaliy g‘oyasi “ayollar salomatligi uchun kvant sun’iy intellekti” kabi keng shior emas; ruxsat etilgan ma’lumot guruhlariga qarab ishlay oladigan va qaysi funksional o‘zaro ta’sir tarmog‘i qanday hissa qo‘shishi o‘rganilishi mumkin bo‘lgan ixcham qaror qatlami g‘oyasidir. Bunday qatlam kelajakda hayz siklini qo‘llab-quvvatlash, stress/farovonlik bildirishnomalari yoki kontekstdan xabardor xavfsizlik ogohlantirishlari kabi xizmatlar oldida ishlatilishi mumkin. Biroq real qo‘llash uchun foydalanuvchi tadqiqotlari, etik tasdiqlangan prospektiv baholash, maxfiylik qulayligi, noto‘g‘ri ogohlantirish qiymati, kechikish, energiya sarfi, apparat ishonchliligi va normativ muvofiqlik alohida tasdiqlanishi kerak.

Manba va Usul Haqida Izoh

Original tadqiqot: Role-Aligned Quantum–Classical Feature Interaction for Privacy-Bounded Women-Centric Wearable Services.

Mualliflar: Wenbin Yu; Yanfeng Fan; Youle Wang; Hanmiao Cheng; Ran Li; Konglin Zhu; Yadang Chen.

Corresponding author: Hanmiao Cheng. PDFda mas’ul muallif yulduzcha bilan ko‘rsatilgan.

Teng hissa: Manba PDFda teng hissa/birgina-birinchi muallif bayonoti aniqlanmagan.

Afiliasiyalar: School of Software, Nanjing University of Information Science and Technology; School of Computer Science, Nanjing University of Information Science and Technology; Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology; Wuxi Institute of Technology, Nanjing University of Information Science and Technology; Nanjing Quantum AI Technology Co., Ltd.; Nanjing Boswell Industrial Communication Technology Co., Ltd.; Marketing Service Center, State Grid Jiangsu Electric Power Co., Ltd.; Department of Electrical and Computer Engineering, Michigan State University.

Manba turi: Preprint research paper.

Taqriz holati: PDF ochiq ravishda tadqiqot peer reviewdan o‘tmaganini bildiradi.

Platforma: SSRN, abstract 7477255.

E’lon qilingan sana: SSRN yozuv sahifasida 17 sentyabr 2026 sanasida e’lon qilingan/posted deb ko‘rsatilgan.

DOI: 10.2139/ssrn.7477255.

Jurnal: Manba jurnal maqolasi sifatida nashr qilingan versiya emas; bu fayl SSRN preprint versiyasidir.

Litsenziya: PDF va tekshirilgan SSRN bibliografik yozuvida maqolani qayta foydalanishga ochiq ruxsat beruvchi Creative Commons litsenziyasi aniqlanmagan. Shu sababli Verianla ichida manba rasmlarining skrinshoti yoki uslub nusxasi ishlatilmagan; metod munosabatlari mustaqil SVG sxemasi bilan qayta ifodalangan va sonli natijalar original HTML jadval tartibida uzatilgan.

Bibliografik yozuv farqi: Yuklangan PDF muallifni Konglin Zhu deb va Ran Lini Nanjing University of Information Science and Technology bilan bog‘liq a/b/c afiliasiyalari ostida ko‘rsatadi. SSRNning joriy web meta yozuvi esa Zhu ismini Konlin Zhu shaklida va Ran Li afiliasiyasini East China Normal University deb ko‘rsatadi. Ushbu Verianla matnida tadqiqotchi identifikatsiyasi uchun yuklangan PDFdagi yozilish va afiliasiya asos qilib olingan, farq yashirilmagan.

Moliyalashtirish / manfaatlar to‘qnashuvi / ma’lumotlar mavjudligi / CRediT: Yuklangan PDFda alohida va aniq moliyalashtirish, manfaatlar to‘qnashuvi, ma’lumotlar mavjudligi yoki CRediT muallif hissasi bayonoti aniqlanmagan. Tajribalar MSW, WESAD va ExtraSensory nomli ochiq ma’lumotlar to‘plamlariga asoslangani manbada ko‘rsatilgan; bu holat alohida ma’lumotlar mavjudligi bayonoti o‘rniga qo‘yilmasligi kerak.

Asosiy metodologik cheklov: Tadqiqot ommaga ochiq ma’lumotlar to‘plamlari va boshqariladigan tajribaviy kirish/shovqin sharoitlarida model baholashidir. Prospektiv klinik tadqiqot, haqiqiy foydalanuvchi intervensiyasi, real qurilmada joylashtirish yoki fizik kvant apparati sinovi emas.