资讯摘要
论文提出 EmotiQ 框架，以冻结的 Transformer 分类器为主决策者，从验证集表现中识别困难情绪边界，并训练量子编码、数据重上传、原型与保真度、核方法等边界专家；专家仅在满足验证集准入条件时介入。作者在六个文本情绪分类数据集上评测，报告获准入策略的平均 macro-F1 高于基线，六个数据集中五个有正向增益；其中 ZZ 交互特征图平均提升 +0.0030，四个数据集为正。
要点速读
- 框架以冻结 Transformer 分类器为主决策者，量子模块作为残差专家仅在满足验证集准入条件时介入。
- 作者报告获准入的 EmotiQ 策略平均 macro-F1 优于基线，六个数据集中五个取得正向增益。
- 量子组件中 ZZ 交互特征图表现最稳定，平均 macro-F1 提升 +0.0030，四个数据集为正。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/20 21:06:31（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。