Análisis de Calibración en Modelos de Aprendizaje de Máquina Cuántico

Aug 2, 2026

El análisis de calibración de modelos de aprendizaje de máquina es clave en evaluación de riesgo, diagnósticos y sistemas críticos para la seguridad, donde las decisiones dependen de la confiabilidad de las predicciones. El aprendizaje de máquina cuántico ha mostrado resultados competitivos en clasificación y regresión, pero sus propiedades de calibración han sido poco estudiadas. El trabajo compara modelos cuánticos con métodos como máquinas de soporte vectorial, árboles de decisión y regresión logística, en clasificación binaria y multiclase, e incluye un experimento con redes neuronales.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas66

Tiempo de lectura1 h 42 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Agradecimientos

Introducción y motivación

Importancia de la calibración

Brecha en la literatura sobre clasificadores cuánticos

Metodología y comparación de modelos

Modelos cuánticos y baselines clásicos

Tareas de clasificación

Experimento con red neuronal

Combinación de clasificadores cuánticos y redes neuronales

Resultados experimentales

Métricas de calibración y rendimiento

Palabras claves

An´alisis de Calibraci´on en Modelos de Aprendizaje de M´aquina Cu´antico Glenn Harry Amaya Cruz Universidad Nacional de Colombia Facultad de Ingenier´ıa, Departamento de Ingenier´ıa de Sistemas e Industrial Bogot´a, Colombia An´alisis de Calibraci´on en Modelos de Aprendizaje de M´aquina Cu´antico Glenn Harry Amaya Cruz Tesis o trabajo de grado presentado como requerimiento parcial para optar por el t´ıtulo de: Magister en Ingenier´ıa de Sistemas y Computaci´on Director de tesis: Fabio Augusto Gonz´alez Osorio, Ph. D. Co-director de Tesis: Santiago Toledo Cort´es, MSc. Ph. D. (c) ´Areas de investigaci´on: Sistemas inteligentes, computaci´on cu´antica y aprendizaje de m´aquina Grupo de investigaci´on: MindLab-Machine Learning, Perception and Discovery Lab Universidad Nacional de Colombia Facultad de Ingenier´ıa, Departamento de Ingenier´ıa de Sistemas e Industrial Bogot´a, Colombia Para mi madre Ana & hermano David Cada vez que cometo un error me parecedescubrir una verdad que no conoc´ıa. Maurice Maeterlinck Agradecimientos Quiero agradecer a la Universidad Nacional de Colombia por brindarme durante varios a˜nos la oportunidad de crecer profesional, acad´emica y personalmente influyendo en mi significativamente. A mi director Fabio Gonz´alez por su gu´ıa a lo largo de este proceso y a Santiago Toledo Cort´es, por sus continuos comentarios, apoyo y gu´ıa que fueron de gran utilidad para culminar este proceso de forma exitosa. Finalmente, a mi madre Ana y hermano David por su comprensi´on en todo momento. Resumen An´alisis de Calibraci´on en Modelos de Aprendizaje de M´aquina Cu´antico El an´alisis de calibraci´on de modelos de aprendizaje de m´aquina cobra gran importancia en distintos contextos como evaluaci´on del riesgo, diagn´osticos y sistemas cr´ıticos para laseguridad, donde hay decisiones influenciadas por las predicciones de los modelos. El ´area del aprendizaje de m´aquina cu´antico ha recibido una mayor atenci´on en los ´ultimos a˜nos, en particular, se han desarrollado modelos que obtienen resultados competitivos en tareas declasificaci´on y regresi´on a comparaci´on con m´etodos ampliamente utilizados. No obstante, las propiedades de este tipo de clasificadores en t´erminos de calibraci´on no han sido exploradas en la literatura. Por esta raz´on, en el presente trabajo se realiza un estudio de las propiedades de calibraci´on que tienen algunos modelos de aprendizaje de m´aquina cu´antico frente a modelos ampliamente usados en la literatura como m´aquinas de soporte vectorial,´arboles de decisi´on, regresi´on log´ıstica, entre otros para tareas de clasificaci´on binaria y dem´ultiples clases. Adicionalmente, se realiza un experimento para explorar el efecto de algunos clasificadores cu´anticos en combinaci´on con una red neuronal. Los resultados experimentales muestran que algunos de los clasificadores cu´anticos analizados tienen un rendimiento competitivo e incluso mejor en m´etricas de calibraci´on y las tareas de clasificaci´on. Palabras claves: aprendizaje de m´aquina, aprendizaje de m´aquina cu´antico, calibraci´on, an´alisis de confianza. Abstract Calibration Analysis in Quantum Machine Learning Models Calibration of machine learning models is of great importance in different contexts such as risk assessment, diagnostics, and safety-critical systems, in which decisions are influenced by model predictions. The area of quantum machine learning has received an increased attention in recent years, in particular, models have been developed that obtain competitive results in classification and regression tasks compared to widely used methods. However, the properties of this type of classifiers in terms of calibration have not been explored in the literature. As a result, in this work a study of the properties of calibration is conducted for recent quantum machine learning models in comparison to state-of-the-art models such as support vector machines, d

Preguntas frecuentes

Por qué es importante la calibración en modelos de aprendizaje de máquina?

Porque en riesgo, diagnósticos y sistemas de seguridad las decisiones se basan en las predicciones del modelo y requieren confianza bien ajustada.

Qué aporta el trabajo sobre modelos de aprendizaje de máquina cuántico?

Realiza un estudio de propiedades de calibración de modelos cuánticos y los compara con métodos ampliamente usados en la literatura.

Qué muestran los resultados experimentales?

Que algunos clasificadores cuánticos analizados logran rendimiento competitivo e incluso superior en métricas de calibración y en tareas de clasificación.

Aug 2, 2026

Subido por Ava Thompson