Zehirlenmeye karşı üstün dayanıklılık ve kuantum makine öğreniminde unutmaya uygunluk

Yapay zekada kötü veriyi temizlemenin önemi

Modern yapay zeka sistemleri büyük örnek koleksiyonlarından öğrenir, ancak bu örnekler sıklıkla kusurludur. Bazıları yanlış etiketlenmiş olabilir, diğerleri kasıtlı olarak değiştirilmiş olabilir. Bu tür “zehirlenmiş” veriler eğitime karıştığında, bir modelin davranışını zararlı biçimde ve sessizce eğriltmesi mümkündür. Bu makale şaşırtıcı bir soru soruyor: öğrenme sistemlerini klasik bilgisayarlar yerine kuantum bilgisayarlarıyla kurarsak kötü verilere farklı mı tepki verirler — ve gerektiğinde bunu daha kolay unutabilirler mi?

Çarpık bilgilerden öğrenmenin iki yolu

Yazarlar aynı görevlerde eğitilen iki tür sinir ağını karşılaştırıyor. Birisi alışılmış klasik ağ; sıradan bir bilgisayarda çalışan ağırlıklı bağlantı yığını. Diğeri ise kuantum kapıları ve kübitler kullanarak bilgiyi süperpozisyonda işleyen kuantum sinir ağı. Her iki ağtan da MNIST veri kümesindeki el yazısı rakamları ayırt etme ve kuantum fizik modelinde iki maddenin fazını ayırt etme gibi iki tür sınıflandırma problemi çözmesi isteniyor. Her durumda araştırmacılar eğitim verisinin bir bölümünü kasıtlı olarak kirletiyor: bazı örneklerin etiketlerini çeviriyor veya girdi özelliklerini rastgele bir gürültüyle değiştiriyor ve sonra her modelin bununla nasıl başa çıktığını gözlemliyorlar.

Etiketler yalan söylediğinde kuantum modeller dengelerini koruyor

En belirgin fark etiketlerin çevrildiği durumda ortaya çıkıyor. Klasik ağ her eğitim örneğini — çelişkili olanlar dahil — karşılamaya çalışıyor ve bunlara uymak için iç karar sınırını yavaşça büküyor. Yeni, görülmemiş verilerdeki performansı, daha fazla etiket bozuldukça istikrarlı şekilde düşüyor. Buna karşılık kuantum ağı dayanıklı bir plato gösteriyor: geniş bir gürültü aralığında temiz doğrulama verilerini iyi sınıflandırmaya devam ediyor ve yanlış etiketlenmiş aykırı örnekleri etkisizmiş gibi görerek görmezden geliyor. Bozuk etiketler baskın hale geldiğinde — etiketlerin yaklaşık yarısının yanlış olduğu noktaya yakın — performansı ani, bir faz geçişini andıran bir çöküş gösteriyor. Bu davranış, kuantum öğrenicinin verideki en basit, en tutarlı deseni tercih ettiğini ve dağınık çelişkileri gerçek sinyal baskın olana kadar önemsiz rahatsızlıklar olarak ele aldığını öne sürüyor.

Kötü eğitimi unutmak kuantum modeller için daha kolay

Bozulmaya dayanmanın ötesinde yazarlar “makine unutma”yı inceliyor: eğitilmiş bir modelin kötü verilerin etkisini baştan başlamak zorunda kalmadan ne kadar verimli biçimde unutmaya zorlanabileceği. Sadece temiz veri kısmıyla yeniden eğitme, zehirli modelden ince ayar yapma, modelin tahminlerini kötü alt kümede öğrendiklerinden açıkça uzaklaştırma ve bu örneklerin etkisini geri alan gradyan adımları gibi birkaç strateji araştırıyorlar. Klasik ağ için tüm verimli yaklaşık yöntemler tam yeniden eğitmenin gerisinde kalıyor; bu, iç temsiliyetinin zehirlenmiş örnekler etrafında sertleştiğini gösteriyor. Kuantum ağı farklı davranıyor. Zehirlenmiş bir durumdan bile başlanıldığında, yaklaşık unutma yöntemleriyle aynı zaman penceresi içinde pahalı bir yeniden eğitmenin performansına erişebiliyor veya onu aşabiliyor. Bu, öğrenilmiş temsillerinin daha plastik olduğunu — kullanışlı olacak kadar yapılandırılmış, fakat düzeltilebilecek kadar esnek — gösteriyor.

Dayanıklılık ve plastisitenin ardındaki gizli peyzaj

Bu karşıt davranışları açıklamak için yazarlar “kayıp peyzajı”na bakıyor: modelin parametrelerinin her ayarında veriye ne kadar iyi uyduğunu ölçen yüksek boyutlu bir yüzey. İyi genellemenin bu peyzajda geniş, düz vadilerle ilişkili olduğu; kırılgan ezberlemenin ise keskin, dar minimumlarla ilişkili olduğu biliniyor. Veriler zehirlendiğinde bu peyzajın eğriliğinin nasıl değiştiğini analiz ederek, klasik ağların dramatik bir pürüzlenme yaşadığını buluyorlar: çözüm etrafındaki bir zamanlar düz olan bölge, model yanlış etiketlenmiş noktaları ezberledikçe son derece keskin hale geliyor. Unutma sırasında bu dik vadiden kaçmak zor, bu da klasik belleğin inatçılığını açıklıyor. Kuantum ağları ise zehirlenmeden sonra bile neredeyse aynı yumuşak eğriliği koruyor. Peyzajları yapısal olarak kararlı; kuantum işlemlerinin matematiği son derece keskin minimumların oluşmasını engelliyor ve öğrenmeyi doğal olarak pürüzsüz, genelleştirilebilir çözümlere yönlendiriyor.

Geleceğin güvenilir yapay zekası için anlamı

Bir uzman olmayan için çıkarım şu: kuantum makine öğrenimi yalnızca hız ya da egzotik donanımla ilgili değil. Bu deneylerde kuantum modeller dağınık veride ana öyküyü seçen, birkaç kötü örnek tarafından kolayca yönlendirilmeyen ve zararlı etkilerden yeniden inşa edilmeden vazgeçirilebilen dikkatli editörler gibi davranıyor. Zehirlenmeye karşı dayanıklılık ile unutmaya hazır olmanın bu birleşimi, salt ham hesaplamadan ziyade güvenilirlik ve güvenlik temelli yeni bir kuantum avantajını işaret ediyor — gelecekte kuantum destekli yapay zekâ sistemlerinin gürültülü, sürekli değişen bilgi ortamında daha iyi ortaklar olabileceğini düşündürüyor.

Atıf: Chen, YQ., Zhang, SX. Superior resilience to poisoning and amenability to unlearning in quantum machine learning. Nat Commun 17, 3716 (2026). https://doi.org/10.1038/s41467-026-70420-4

Anahtar kelimeler: kuantum makine öğrenimi, veri zehirlenmesi, makine unutma, sağlam yapay zeka, kayıp peyzajı