論文の概要: Detection and evaluation of abnormal user behavior based on quantum generation adversarial network

• arxiv url: http://arxiv.org/abs/2208.09834v2
• Date: Sun, 17 Sep 2023 02:32:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 01:43:18.433453
• Title: Detection and evaluation of abnormal user behavior based on quantum generation adversarial network
• Title（参考訳）: 量子生成逆ネットワークを用いた異常ユーザ行動の検出と評価
• Authors: Minghua Pan, Bin Wang, Xiaoling Tao, Shenggen Zheng, Haozhen Situ, Lvzhou Li
• Abstract要約: 内部ユーザ分析に適した新しい量子行動検出・評価アルゴリズム(QBDE)を提案する。 QBDEアルゴリズムは、量子生成逆数ネットワーク(QGAN)と古典的ニューラルネットワークを組み合わせて、タスクの検出と評価を行う。 我々の研究は、異常な振る舞いの検出と評価に新しいアプローチを導入するだけでなく、量子アルゴリズムの新しい応用シナリオを開拓した。
• 参考スコア（独自算出の注目度）: 3.769725402555695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computing holds tremendous potential for processing high-dimensional data, capitalizing on the unique capabilities of superposition and parallelism within quantum states. As we navigate the noisy intermediate-scale quantum (NISQ) era, the exploration of quantum computing applications has emerged as a compelling frontier. One area of particular interest within the realm of cyberspace security is Behavior Detection and Evaluation (BDE). Notably, the detection and evaluation of internal abnormal behaviors pose significant challenges, given their infrequent occurrence or even their concealed nature amidst vast volumes of normal data. In this paper, we introduce a novel quantum behavior detection and evaluation algorithm (QBDE) tailored for internal user analysis. The QBDE algorithm comprises a Quantum Generative Adversarial Network (QGAN) in conjunction with a classical neural network for detection and evaluation tasks. The QGAN is built upon a hybrid architecture, encompassing a Quantum Generator ($G_Q$) and a Classical Discriminator ($D_C$). $G_Q$, designed as a parameterized quantum circuit (PQC), collaborates with $D_C$, a classical neural network, to collectively enhance the analysis process. To address the challenge of imbalanced positive and negative samples, $G_Q$ is employed to generate negative samples. Both $G_Q$ and $D_C$ are optimized through gradient descent techniques. Through extensive simulation tests and quantitative analyses, we substantiate the effectiveness of the QBDE algorithm in detecting and evaluating internal user abnormal behaviors. Our work not only introduces a novel approach to abnormal behavior detection and evaluation but also pioneers a new application scenario for quantum algorithms. This paradigm shift underscores the promising prospects of quantum computing in tackling complex cybersecurity challenges.
• Abstract（参考訳）: 量子コンピューティングは、量子状態内の重ね合わせと並列性のユニークな能力を生かして、高次元データを処理する大きな可能性を秘めている。 ノイズの多い中間スケール量子(NISQ)時代を旅するにつれ、量子コンピューティングアプリケーションの探索は魅力的なフロンティアとして現れてきた。 サイバースペースセキュリティ分野における特に関心のある分野は、行動検出と評価(BDE)である。 特に、内部の異常な行動の検出と評価は、しばしば発生することや、大量の正常なデータの中で隠蔽される性質を考えると、重大な課題となる。 本稿では,内部ユーザ分析に適した新しい量子行動検出・評価アルゴリズム(QBDE)を提案する。 QBDEアルゴリズムは、量子生成適応ネットワーク(QGAN)と古典的ニューラルネットワークを組み合わせて、タスクの検出と評価を行う。 qganは、量子ジェネレータ(g_q$)と古典的な判別器(d_c$)を包含するハイブリッドアーキテクチャ上に構築されている。 パラメタライズド量子回路(PQC)として設計された$G_Q$は、古典的なニューラルネットワークである$D_C$と協力して、分析プロセスを総合的に強化する。 不均衡な正と負のサンプルの課題に対処するために、$G_Q$を用いて負のサンプルを生成する。 g_q$ と $d_c$ は勾配降下法によって最適化される。 シミュレーション実験と定量的解析により,内部ユーザ異常の検知および評価におけるQBDEアルゴリズムの有効性を検証した。 本研究は,異常行動の検出と評価に新たなアプローチを導入するだけでなく,量子アルゴリズムの新しい応用シナリオを開拓する。 このパラダイムシフトは、複雑なサイバーセキュリティ問題に取り組む量子コンピューティングの有望な展望の核となる。

関連論文リスト

• Exploring Unsupervised Anomaly Detection with Quantum Boltzmann Machines in Fraud Detection [4.109189861505301]
  検出と応答における異常検出は、大企業のサイバーセキュリティプログラムにおいて重要なタスクである。 与えられた問題に対する量子アニーリングに基づく量子ボルツマンマシン(QBM)について検討する。 この結果から,QBMは従来のアナログ(リミテッド・ボルツマン・マシンズ)よりも品質とトレーニングの工程が優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T07:36:01Z)
• Learning To Optimize Quantum Neural Network Without Gradients [3.9848482919377006]
  本稿では,量子回路のパラメータを出力するために,Emphmeta-Optimizerネットワークをトレーニングする新しいメタ最適化アルゴリズムを提案する。 我々は,従来の勾配に基づくアルゴリズムよりも回路評価が少ない場合に,より高品質な最小値が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-15T01:09:12Z)
• 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)
• Demystify Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [91.09339162840021]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Iterative Qubits Management for Quantum Index Searching in a Hybrid System [56.39703478198019]
  IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。 我々はQiskitでIQuCSを実装し、集中的な実験を行う。 その結果、量子ビットの消費を最大66.2%削減できることが示されている。
  論文  参考訳（メタデータ） (2022-09-22T21:54:28Z)
• Evaluating the performance of sigmoid quantum perceptrons in quantum neural networks [0.0]
  量子機械学習のための有望なアーキテクチャとして量子ニューラルネットワーク(QNN)が提案されている。 1つの候補は古典的パーセプトロンの非線形活性化関数をエミュレートするために設計された量子パーセプトロンである。 本稿では,SQPネットワークの性能と性能を,その有効次元と有効容量の計算によって評価する。
  論文  参考訳（メタデータ） (2022-08-12T10:08:11Z)
• Improved variational quantum eigensolver via quasi-dynamical evolution [0.0]
  変分量子固有解法 (VQE) は、現在および短期の量子デバイス向けに設計されたハイブリッド量子古典アルゴリズムである。 VQEには、量子優位性に対する好ましいスケーリングを禁じる問題がある。 本稿では,VQEを補う量子アニール法を提案する。 改良されたVQEは不毛の台地を回避し、局所的なミニマを放出し、低深度回路で動作する。
  論文  参考訳（メタデータ） (2022-02-21T11:21:44Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。