摘要
本文提出了一种名为稀疏张量分类器（Sparse Tensor Classifier, STC）的监督分类算法，该算法受量子物理中“态叠加”概念的启发，适用于分类数据。通过将观测值视为特征的叠加态，我们引入了机器学习中的波粒二象性概念，并提出了一种广义框架，统一了经典概率与量子概率。实验结果表明，STC具备多种其他主流机器学习方法所不具备的优良特性，同时其原理极为清晰，易于理解和使用。在结构化数据与文本分类任务上的实证评估显示，STC在性能上达到当前最先进水平，不仅优于传统分类器，也超越了深度学习模型，且在实际应用中仅需极少的数据预处理和超参数调优。此外，STC能够为单个样本预测以及每个目标标签提供原生的可解释性说明，实现从个体到全局的预测解释。