分而治之：从量子二元模型中构建混合多项式分类器
Divide et impera: hybrid multinomial classifiers from quantum binary models
AI总结：
本文研究如何将多个量子二元模型组合成多项式分类器，采用一 vs 一、一 vs 其余和二元决策树等策略，通过比较计算开销和量子优势，证明决策树是一种高效方案，能以对数开销实现与其它方法相似的准确性。
摘要：
我们研究如何将多个量子二元模型组合成多项式分类器。我们采用混合方法，采用一 vs 一、一 vs 其余和二元决策树等策略。我们通过强调每种方法的计算开销及其对量子优势的影响进行基准测试。通过与经典二元模型（采用相同方法泛化）的比较，我们证明决策树是一种成本效益高的解决方案，能够在总类数的对数范围内实现与其他方法相似的准确性。
英文摘要：
We investigate how to combine a collection of quantum binary models into a multinomial classifier. We employ a hybrid approach, adopting strategies like one-vs-one, one-vs-rest and a binary decision tree. We benchmark each method, by emphasizing their computational overhead and their impact on the quantum advantage. By comparison against a classical binary model (generalized using the same approach), we show that the decision tree represents a cost-effective solution, achieving similar accuracies to other methods with an overhead at most logarithmic in the total number of classes.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
