加载中...
本文将QDisCoCirc(量子分布式组合语义电路)应用于金融文本的三分类情感分析,提出将句子拆分为块(chunk)映射为单量子电路并提取Bloch向量,再通过均值池化或加入浅层Transformer对向量序列进行建模,实验证明序列模型在宏观F1上优于均值基线,并通过轴向消融与句子级干预度量实现更具可操作性的解释性分析 .
| Split | Total | Class 0 (Neg) | Class 1 (Neu) | Class 2 (Pos) |
|---|---|---|---|---|
| Train | 1448 | 194 | 889 | 365 |
| Dev | 361 | 48 | 222 | 91 |
| Test | 454 | 61 | 279 | 114 |
| Model | Accuracy | Macro-F1 | Number of Parameters |
|---|---|---|---|
| QDisCoCirc (mean-pool) | 0.696 | 0.551 | 2.2 × 10^4 |
| FinBERT (引用) | 0.970 | 0.950 | 110M |
| Metric | Mean (Correct) | Mean (Incorrect) | Cohen's d | r |
|---|---|---|---|---|
| p_max | 0.445 | 0.382 | 1.123 | 0.460 |
| prob_margin | 0.162 | 0.066 | 1.095 | 0.451 |
| entropy_norm | 0.968 | 0.989 | -1.067 | -0.441 |
| suff_gap_x | 0.109 | 0.049 | 1.116 | 0.458 |
| suff_gap_y | 0.111 | 0.050 | 1.129 | 0.462 |
| comp_z | 0.108 | 0.048 | 1.118 | 0.458 |
| Channel | Mean (Correct) | Mean (Incorrect) | Δ (C-I) | Cohen's d |
|---|---|---|---|---|
| Bloch (semantic) | 3.30 | 5.11 | -1.81 | -0.65 |
| CCG (syntactic) | 2.16 | 3.56 | -1.40 | -0.76 |
| Type gate | 2.67 | 3.95 | -1.28 | -0.56 |
元数据与概览(引言与报告概览)
逐节深度解读
图表深度解读
Figure 1(量子电路示例):如上所述,图示把主谓宾分别映射到单比特,谓语显示为参数化旋转(Rz, Rx, Ry 等),并借助 cups 实现类型收缩以产生句子输出 s。该图直观说明了如何将 CCG 类型机制与量子门阵列对应,使词与 qubit/gate 之间形成可追踪的映射关系,从而有利于逐门级别的干预分析。
表 1:数据集划分(Table 1,page 6)
表 2:模型比较(Table 2,page 6)
表 3:解释性度量与正确性关系(Table 3,page 7–8)
表 4:序列模型提升(Table 4,page 8)
表 5:通道归因分配(Table 5,page 10)
估值/预测模型细节(模型训练与超参)
风险因素评估(作者识别的局限与未来挑战)
批判性视角与细微差别(审慎评估)
结论性综合
附图引用(文中所用图片)
總結性的建议性备注(基于报告内容的谨慎建议)
2511.18804.pdf