학습 연구의 핵심 목표 중 하나는 학습 문제의 특성이 평균적인 학습 성능에 미치는 영향을 측정, 모델링 및 이해하는 것이다. 예를 들어, 구성적 귀납(constructive induction), 노이즈 필터링, 배경 지식의 가치를 정량화하고자 한다. 본 논문에서는 문제 특성과 학습 성능을 연결하는 데 도움을 주는 새로운 학습 척도인 유효 차원(effective dimension)을 소개한다. 바프닉-체르보넨키스(VC) 차원과 마찬가지로 유효 차원은 종종 문제 특성과 단순 선형 관계를 가진다. 하지만 VC 차원과 달리 유효 차원은 경험적으로 추정할 수 있으며 평균적인 경우(average-case)에 대한 예측을 제공한다. 따라서 기계 및 인간 학습 연구에 더 폭넓게 적용할 수 있다. 이 척도는 역전파를 포함한 여러 학습 시스템에서 검증된다. 마지막으로, 특징 생성 시스템인 FRINGE를 사용할 때의 이점을 정밀하게 예측하는 데 이 척도를 활용한다. 그 결과 목표 개념의 복잡성이 증가할수록 이점이 감소하는 것으로 나타났다.
최근 양자 비전 모델인 양자 비전 트랜스포머와 양자 컨볼루션 네트워크는 두 가지 놀랍지만 설명되지 않은 경험적 현상을 보고합니다: (i) 더 많거나 더 균일하게 분포된 얽힘을 가진 안사츠(ansatze)는 더 잘 일반화되며, (ii) 양자 잡음을 주입하는 것이 테스트 정확도를 저하시키는 대신 향상시킬 수 있습니다. 이러한 관찰 결과들은 현재 그리드 서치(grid search)를 통해 발견되고, 설명된다 하더라도 수동으로 설명되는 기이한 현상으로 취급됩니다. 우리는 두 현상 모두 단일한 측정 가능한 양, 즉 (잡음이 형성된) 양자 특징 커널의 \emph{유효 차원}(effective dimension) $d_{\rm eff}$의 발현임을 보여줍니다. 주로 양자 커널 비전 모델(커널 분류기가 읽어들이는 양자 특징 맵)을 사용하여, 얽힘 구조와 양자 잡음이 $d_{\rm eff}$를 이동시키는 두 가지 조절 장치가 되는 스펙트럼적 해석을 제시합니다. 과적합(overfitting) 영역에서 $d_{\rm eff}$를 축소하는 것은 능선형(ridge-like) 정규화(regularization)처럼 작용합니다. 우리는 메커니즘을 분석합니다: $d_{\rm eff}(K_p)\to1$을 만족하는 비편광 커널(depolarized kernel) $K_p=(1-p)^2K+\tfrac{p(2-p)}{D}\mathbf{1}\mathbf{1}^\top$의 \emph{정확한} 분해, 진폭 감쇠(amplitude damping)에 대한 축소 결과(및 그 경계), 커널 머신 용량 상한, 그리고 용량/정렬(alignment) 위험 분해가 포함됩니다. 우리의 얽힘 실험에서 작동하는 단조 감소는 경험적으로 검증되었으며, 일반적으로 증명되지는 않았습니다. 단일 매개변수 비편광 계열에서 축소는 대신 구조적으로 정확합니다. 우리는 이를 $d_{\rm eff}$에 대한 증거가 아닌, 기계 정밀도(precision)와 최대 $12$ 큐비트까지 커널 분해를 확인하는 용도로만 사용합니다. 진폭 감쇠는 $d_{\rm eff}$를 축소하고 역 U자형 스윗 스팟(sweet spot)을 따라 테스트 정확도를 최대 $+13\%$까지 향상시킵니다. 이 효과의 부호는 과적합 및 과소적합(under-fitting) 영역 사이에서 바뀝니다. 잡음 주입은 명시적인 스펙트럼 필터링 경계와 일치합니다. 우리의 결과는 보고된 두 가지 일화를 양자 비전 모델 설계를 위한 단일한 측정 가능한 원칙으로 정리합니다.