Quantum‑inspirierte Feinabstimmung steigert AIGC‑Erkennung bei Few‑Shot um 5 %

In jüngsten Untersuchungen wurde gezeigt, dass Quantum‑Neural‑Netzwerke (QNNs) in wenigen Beispiel‑Regimen besonders gut generalisieren. Auf dieser Basis wurde Q‑LoRA entwickelt – ein quantum‑gestütztes Feinabstimmungsverfahren, das leichte QNN‑Module in den Low‑Rank‑Adaptation‑Adapter (LoRA) integriert. Bei der Erkennung von KI‑generierten Inhalten (AIGC) liefert Q‑LoRA konsequent bessere Ergebnisse als das klassische LoRA, selbst wenn nur wenige Trainingsbeispiele zur Verfügung stehen.

Die Leistungssteigerung lässt sich auf zwei strukturelle Induktionsvorteile von QNNs zurückführen: Erstens erzeugen phase‑bewusste Repräsentationen reichhaltigere Informationen, indem sie Amplitude und Phase orthogonal verarbeiten. Zweitens sorgen norm‑beschränkte Transformationen für eine stabilere Optimierung, da die inhärente Orthogonalität die Lernschritte reguliert. Ein Nachteil von Q‑LoRA ist jedoch die erhebliche Rechenbelastung, die durch die Simulation von Quantenprozessen entsteht.

Um die Vorteile von Q‑LoRA ohne die Kosten der Quanten‑Simulation zu nutzen, wurde H‑LoRA vorgestellt. Dieses klassische Verfahren setzt die Hilbert‑Transformation im LoRA‑Adapter ein, um die gleiche Phasenstruktur und die Normbeschränkungen zu erhalten. In Experimenten zur Few‑Shot‑AIGC‑Erkennung übertrifft sowohl Q‑LoRA als auch H‑LoRA das Standard‑LoRA um mehr als 5 % in der Genauigkeit. H‑LoRA erreicht dabei vergleichbare Leistungen bei deutlich geringeren Rechenaufwand.