論文の概要: Quantum noise protects quantum classifiers against adversaries
- arxiv url: http://arxiv.org/abs/2003.09416v1
- Date: Fri, 20 Mar 2020 17:56:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-12-21 23:10:33.928254
- Title: Quantum noise protects quantum classifiers against adversaries
- Title（参考訳）: 量子ノイズは量子分類器を敵から保護する
- Authors: Yuxuan Du, Min-Hsiu Hsieh, Tongliang Liu, Dacheng Tao and Nana Liu
- Abstract要約: 量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。
量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。
これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
- 参考スコア（独自算出の注目度）: 120.08771960032033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Noise in quantum information processing is often viewed as a disruptive and
difficult-to-avoid feature, especially in near-term quantum technologies.
However, noise has often played beneficial roles, from enhancing weak signals
in stochastic resonance to protecting the privacy of data in differential
privacy. It is then natural to ask, can we harness the power of quantum noise
that is beneficial to quantum computing? An important current direction for
quantum computing is its application to machine learning, such as
classification problems. One outstanding problem in machine learning for
classification is its sensitivity to adversarial examples. These are small,
undetectable perturbations from the original data where the perturbed data is
completely misclassified in otherwise extremely accurate classifiers. They can
also be considered as `worst-case' perturbations by unknown noise sources. We
show that by taking advantage of depolarisation noise in quantum circuits for
classification, a robustness bound against adversaries can be derived where the
robustness improves with increasing noise. This robustness property is
intimately connected with an important security concept called differential
privacy which can be extended to quantum differential privacy. For the
protection of quantum data, this is the first quantum protocol that can be used
against the most general adversaries. Furthermore, we show how the robustness
in the classical case can be sensitive to the details of the classification
model, but in the quantum case the details of classification model are absent,
thus also providing a potential quantum advantage for classical data that is
independent of quantum speedups. This opens the opportunity to explore other
ways in which quantum noise can be used in our favour, as well as identifying
other ways quantum algorithms can be helpful that is independent of quantum
speedups.
- Abstract（参考訳）: 量子情報処理におけるノイズは、特に短期量子技術において、破壊的で避けにくい特徴と見なされることが多い。
しかし、ノイズはしばしば、確率共鳴の弱い信号の強化から、差分プライバシーにおけるデータのプライバシー保護まで、有益な役割を演じてきた。
では、量子コンピューティングに有益な量子ノイズのパワーを活用できるだろうか?
現在の量子コンピューティングの重要な方向性は、分類問題のような機械学習への応用である。
分類における機械学習の際立った問題は、敵の例に対する感度である。
これらは、摂動データが極めて正確な分類器で完全に誤分類される元のデータから、小さく、検出不能な摂動である。
また、未知のノイズ源による'Worst-case'摂動と見なすこともできる。
量子回路の非分極ノイズを分類に利用することにより,雑音の増加に伴ってロバスト性が向上する敵に拘束されるロバスト性が導出できることを示す。
この堅牢性特性は、量子微分プライバシーに拡張可能な差分プライバシーと呼ばれる重要なセキュリティ概念と密接に関連している。
量子データの保護のために、これは最も一般的な敵に対して使用できる最初の量子プロトコルである。
さらに、古典的ケースのロバスト性は分類モデルの詳細にどのように敏感であるかを示すが、量子的ケースでは分類モデルの詳細が欠如しており、量子スピードアップに依存しない古典的データに対して潜在的に量子的優位性を与える。
これにより、量子ノイズを私たちの好みの方法で使用できる他の方法や、量子アルゴリズムが量子スピードアップとは無関係に役に立つ他の方法を探究する機会が開かれる。
関連論文リスト
- The curse of random quantum data [62.24825255497622]
量子データのランドスケープにおける量子機械学習の性能を定量化する。
量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。
この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
論文 参考訳（メタデータ） (2024-08-19T12:18:07Z) - Barycentric and Pairwise Renyi Quantum Leakage [9.244521717083696]
プライバシとセキュリティ分析のための情報漏洩の尺度として、バリー中心およびペアワイズ量子レニイリークが提案されている。
それらは、肯定性、独立性、後処理の不等式、ユニタリ不変性の重要な性質を満たす。
量子コンピューティングと通信におけるノイズの一般的なモデルであるグローバルおよびローカルな分極チャネルは、プライベートまたはセキュアな情報漏洩を制限する。
論文 参考訳（メタデータ） (2024-02-09T03:09:33Z) - Power Characterization of Noisy Quantum Kernels [52.47151453259434]
一般化誤差が小さい場合でも,量子カーネル法は予測能力に乏しい。
我々は、量子計算にノイズの多い量子カーネル法を用いるために重要な警告を提供する。
論文 参考訳（メタデータ） (2024-01-31T01:02:16Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Maximal Information Leakage from Quantum Encoding of Classical Data [9.244521717083696]
敵は古典的なデータを符号化する量子システムの状態の1つのコピーにアクセスすることができる。
情報漏洩の結果として得られる尺度は、古典データの関数を正確に推測する確率の乗法的増加である。
論文 参考訳（メタデータ） (2023-07-24T05:16:02Z) - Certified Robustness of Quantum Classifiers against Adversarial Examples
through Quantum Noise [68.1992787416233]
量子ランダムな回転雑音を加えることで、敵攻撃に対する量子分類器のロバスト性を向上できることを示す。
我々は、量子分類器が敵の例に対して防御できるように、証明された堅牢性を導出する。
論文 参考訳（メタデータ） (2022-11-02T05:17:04Z) - Noisy Quantum Kernel Machines [58.09028887465797]
量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。
消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。
量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
論文 参考訳（メタデータ） (2022-04-26T09:52:02Z) - Quantum Noise Sensing by generating Fake Noise [5.8010446129208155]
本稿では,現実的な量子デバイスにおけるノイズを特徴付ける枠組みを提案する。
鍵となるアイデアは、本物(知覚される)と偽(生成される)とを区別できない方法で、それを模倣することによって、ノイズについて学ぶことである。
Pauli チャネルのベンチマークケースに適用すると,空間的・時間的相関ノイズであっても,SuperQGAN プロトコルは関連する誤り率を学習できることがわかった。
論文 参考訳（メタデータ） (2021-07-19T09:42:37Z) - A rigorous and robust quantum speed-up in supervised machine learning [6.402634424631123]
本稿では,汎用量子学習アルゴリズムを用いて,教師付き分類のための厳密な量子スピードアップを確立する。
我々の量子分類器は、フォールトトレラント量子コンピュータを用いてカーネル関数を推定する従来のサポートベクトルマシンである。
論文 参考訳（メタデータ） (2020-10-05T17:22:22Z) - Optimal Provable Robustness of Quantum Classification via Quantum
Hypothesis Testing [14.684867444153625]
量子機械学習モデルには、従来のモデルに比べてスピードアップと予測精度が向上する可能性がある。
これらの量子アルゴリズムは、古典的なアルゴリズムと同様に、入力摂動に弱いことが示されている。
これらは、ノイズの多い実装か、最悪のタイプのノイズとして、敵攻撃から生じる可能性がある。
論文 参考訳（メタデータ） (2020-09-21T17:55:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。