초록
이 논문은 양자 물리학의 상태 중첩 개념에 영감을 받아 개발된 범주형 데이터를 위한 지도 학습 분류 알고리즘인 희소 텐서 분류기(Sparse Tensor Classifier, STC)를 제안한다. 관측치를 특징들의 중첩 상태로 간주함으로써, 기계 학습에 파동-입자 이중성의 개념을 도입하고, 고전적 확률과 양자 확률을 통합하는 일반화된 프레임워크를 제안한다. STC는 대부분의 다른 기계 학습 방법에서는 제공하지 못하는 다양한 바람직한 성질을 갖추고 있음이 입증되었으며, 동시에 이해하기 쉽고 사용이 간편하다는 장점을 지닌다. 구조화된 데이터 및 텍스트 분류에 대한 실험적 평가 결과, STC는 표준 분류기 및 딥러닝 기법과 비교하여 최신 기술 수준의 성능을 달성함과 동시에, 최소한의 데이터 전처리 및 하이퍼파라미터 튜닝만으로도 효과적으로 작동함을 보였다. 또한 STC는 개별 예측에 대한 설명은 물론, 각 타깃 레이블에 대한 전반적인 예측 해석을 내장된 방식으로 제공한다.