Quantum‑inspirierte Algorithmen schlagen RandomForest bei unausgeglichenen Daten
In einer neuen Studie aus dem arXiv‑Repository wird gezeigt, dass quantum‑inspirierte Klassifikatoren klassische Random‑Forest‑Modelle bei unausgeglichenen Datensätzen deutlich übertreffen. Durch die Kombination von Quantum SMOTE (QSMOTE) für die künstliche Datenaugmentation und der Pretty Good Measurement (PGM) aus der Quanteninformationstheorie entstehen robuste Modelle, die sowohl hohe Genauigkeit als auch ausgewogene F1‑Scores liefern.
