本文评估了量子机器学习模型与经典模型在静息态功能连接（rs‑FC）数据上的分类性能。我们使用四个公开数据集（ABIDE I、ADHD‑200、REST‑meta‑MDD、UCLA‑CNP），共计 4,308 名受试者，所有模型均采用相同的基于相关系数的特征。
在 ABIDE I、ADHD‑200、REST‑meta‑MDD 上采用 leave‑site‑out 验证，在 UCLA‑CNP 上采用分层 10‑折交叉验证。比较的量子模型包括量子核、可训练量子核、混合量子卷积网络等六大类；对应的经典模型使用相同结构的核或卷积网络。
结果显示，量子核在四个队列中的表现与匹配的经典核在统计上不可区分，95% 置信区间内平均准确率差异不超过 1.4%。在 ABIDE I 上，混合量子卷积网络的准确率为 0.645，经典对应为 0.641；可训练量子核的 AUC 超过经典核 0.064。量子卷积网络在该队列的 AUC 也高于经典网络，并在所有四个队列中表现出更小的训练‑测试差距，但未带来显著的准确率提升。
总体而言，大多数量子模型的表现与其经典对应模型相当，未出现持续的优势。本文提供了 284 组特征匹配的量子‑经典对比，是首批在 leave‑site‑out 验证下对 ABIDE I 进行量子评估的工作。
我们进一步通过基于保真度的图构建、有效维度（effective‑dimension）以及特征谱（eigenspectrum）分析，解释了量子‑经典性能持平的原因。
点评