論文の概要: Quantum Machine Learning for Software Supply Chain Attacks: How Far Can We Go?

• arxiv url: http://arxiv.org/abs/2204.02784v1
• Date: Mon, 4 Apr 2022 21:16:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-18 07:55:33.233928
• Title: Quantum Machine Learning for Software Supply Chain Attacks: How Far Can We Go?
• Title（参考訳）: ソフトウェアサプライチェーン攻撃のための量子機械学習: どこまで進むことができるのか?
• Authors: Mohammad Masum, Mohammad Nazim, Md Jobair Hossain Faruk, Hossain Shahriar, Maria Valero, Md Abdullah Hafiz Khan, Gias Uddin, Shabir Barzanjeh, Erhan Saglamyurek, Akond Rahman, Sheikh Iqbal Ahamed
• Abstract要約: 本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。 実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。 興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
• 参考スコア（独自算出の注目度）: 5.655023007686363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Computing (QC) has gained immense popularity as a potential solution to deal with the ever-increasing size of data and associated challenges leveraging the concept of quantum random access memory (QRAM). QC promises quadratic or exponential increases in computational time with quantum parallelism and thus offer a huge leap forward in the computation of Machine Learning algorithms. This paper analyzes speed up performance of QC when applied to machine learning algorithms, known as Quantum Machine Learning (QML). We applied QML methods such as Quantum Support Vector Machine (QSVM), and Quantum Neural Network (QNN) to detect Software Supply Chain (SSC) attacks. Due to the access limitations of real quantum computers, the QML methods were implemented on open-source quantum simulators such as IBM Qiskit and TensorFlow Quantum. We evaluated the performance of QML in terms of processing speed and accuracy and finally, compared with its classical counterparts. Interestingly, the experimental results differ to the speed up promises of QC by demonstrating higher computational time and lower accuracy in comparison to the classical approaches for SSC attacks.
• Abstract（参考訳）: 量子ランダムアクセスメモリ(QRAM)という概念を活用することで、データのサイズと関連する課題に対処する潜在的なソリューションとして、量子コンピューティング(QC)は大いに人気を集めている。 QCは量子並列処理による計算時間の2次的あるいは指数的な増加を約束し、機械学習アルゴリズムの計算において大きな前進をもたらす。 本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用した場合のQCの高速化性能について分析する。 我々は,Quantum Support Vector Machine(QSVM)やQuantum Neural Network(QNN)といったQML手法を用いて,ソフトウェアサプライチェーン(SSC)攻撃を検出する。 実際の量子コンピュータのアクセス制限のため、QML法はIBM QiskitやTensorFlow Quantumといったオープンソースの量子シミュレータ上で実装された。 また,qmlの性能を処理速度と精度の観点から評価し,従来のqmlと比較した。 興味深いことに、実験結果はssc攻撃に対する古典的なアプローチと比較して計算時間と精度が低いことを示し、qcの速度向上の約束と異なる。

関連論文リスト

• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• 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)
• Quantum-Assisted Simulation: A Framework for Developing Machine Learning Models in Quantum Computing [0.0]
  本稿では、量子コンピューティングの歴史を調査し、既存のQMLアルゴリズムを検証し、QMLアルゴリズムのシミュレーションを作成するための簡易な手順を提案する。 従来の機械学習と量子機械学習の両方のアプローチを用いて、データセット上でシミュレーションを行う。
  論文  参考訳（メタデータ） (2023-11-17T07:33:42Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Open Source Variational Quantum Eigensolver Extension of the Quantum Learning Machine (QLM) for Quantum Chemistry [0.0]
  我々は,化学に着想を得た適応手法の使用と開発のための新しいオープンソースQCパッケージ,Open-VQEを紹介した。 Atos Quantum Learning Machine (QLM)は、コンピュータプログラムを記述、最適化できる汎用プログラミングフレームワークである。 OpenVQEとともに、新しいオープンソースモジュールであるmyQLMFermion(QC開発において重要な重要なQLMリソースを含む)を紹介します。
  論文  参考訳（メタデータ） (2022-06-17T14:24:22Z)
• Cutting Quantum Circuits to Run on Quantum and Classical Platforms [25.18520278107402]
  CutQCは、大規模量子回路を量子(QPU)と古典的なプラットフォーム(CPUまたはGPU)に分散して、コプロセッシングを行うスケーラブルなハイブリッドコンピューティングアプローチである。 これは、実システム実行時に達成される大きなNISQデバイスよりもはるかに高い量子回路評価忠実性を達成する。
  論文  参考訳（メタデータ） (2022-05-12T02:09:38Z)
• Investigation of Quantum Support Vector Machine for Classification in NISQ era [0.0]
  本稿では,量子支援ベクトルマシン(QSVM)アルゴリズムとその回路バージョンについて検討する。 量子回路におけるトレーニングおよびテストデータサンプルを符号化し,QSVM回路実装手法の効率性を計算する。 我々は、現在のNISQデバイスにQSVMアルゴリズムを適用する際に直面する技術的困難を強調した。
  論文  参考訳（メタデータ） (2021-12-13T18:59:39Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Classification with Quantum Machine Learning: A Survey [17.55390082094971]
  我々は古典的機械学習(ML)と量子情報処理(QIP)を組み合わせることで、量子世界における量子機械学習(QML)と呼ばれる新しい分野を構築する。 本稿では,量子機械学習(QML)の最先端技術に関する包括的調査を提示し,要約する。
  論文  参考訳（メタデータ） (2020-06-22T14:05:31Z)

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。