論文の概要: Benchmarking Adversarially Robust Quantum Machine Learning at Scale
- arxiv url: http://arxiv.org/abs/2211.12681v1
- Date: Wed, 23 Nov 2022 03:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 16:35:33.358577
- Title: Benchmarking Adversarially Robust Quantum Machine Learning at Scale
- Title（参考訳）: 大規模にロバストな量子機械学習のベンチマーク
- Authors: Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior,
Lloyd C.L. Hollenberg, Muhammad Usman
- Abstract要約: 簡単な画像データセットと複雑な画像データセットの両方に対して厳密なトレーニングを行うことで、量子MLネットワークのロバスト性をベンチマークする。
以上の結果から,QVCは古典的敵意攻撃に対して顕著に強靭性を示した。
量子と古典的ネットワークの結果を組み合わせることで,新たな敵攻撃検出技術を提案する。
- 参考スコア（独自算出の注目度）: 20.76790069530767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) methods such as artificial neural networks are rapidly
becoming ubiquitous in modern science, technology and industry. Despite their
accuracy and sophistication, neural networks can be easily fooled by carefully
designed malicious inputs known as adversarial attacks. While such
vulnerabilities remain a serious challenge for classical neural networks, the
extent of their existence is not fully understood in the quantum ML setting. In
this work, we benchmark the robustness of quantum ML networks, such as quantum
variational classifiers (QVC), at scale by performing rigorous training for
both simple and complex image datasets and through a variety of high-end
adversarial attacks. Our results show that QVCs offer a notably enhanced
robustness against classical adversarial attacks by learning features which are
not detected by the classical neural networks, indicating a possible quantum
advantage for ML tasks. Contrarily, and remarkably, the converse is not true,
with attacks on quantum networks also capable of deceiving classical neural
networks. By combining quantum and classical network outcomes, we propose a
novel adversarial attack detection technology. Traditionally quantum advantage
in ML systems has been sought through increased accuracy or algorithmic
speed-up, but our work has revealed the potential for a new kind of quantum
advantage through superior robustness of ML models, whose practical realisation
will address serious security concerns and reliability issues of ML algorithms
employed in a myriad of applications including autonomous vehicles,
cybersecurity, and surveillance robotic systems.
- Abstract（参考訳）: 人工知能などの機械学習(ML)手法は、現代科学、技術、産業において急速に普及している。
その正確さと高度さにもかかわらず、ニューラルネットワークは敵攻撃として知られる慎重に設計された悪意のある入力によって簡単に騙される。
このような脆弱性は、古典的ニューラルネットワークにとって依然として深刻な課題であるが、量子ml設定ではその存在範囲が完全には理解されていない。
本研究では,量子変分分類器(QVC)などの量子MLネットワークのロバスト性を,単純かつ複雑な画像データセットと多種多様なハイエンド攻撃による厳密なトレーニングによって評価する。
この結果から,QVCは古典的ニューラルネットワークでは検出されない特徴を学習することで,古典的敵攻撃に対する顕著な堅牢性を示し,MLタスクの量子的優位性を示している。
対照的に、そして驚くべきことに、量子ネットワークに対する攻撃は古典的なニューラルネットワークを欺くことができる。
量子と古典的ネットワークの結果を組み合わせることで,新たな敵攻撃検出技術を提案する。
従来のMLシステムの量子優位性は、精度の向上やアルゴリズムのスピードアップを通じて求められてきましたが、我々の研究は、自動運転車、サイバーセキュリティ、監視ロボットシステムなど、無数のアプリケーションで採用されているMLアルゴリズムの深刻なセキュリティ上の問題と信頼性の問題に対処する、MLモデルの優れた堅牢性を通じて、新しい種類の量子優位性の可能性を明らかにしました。
関連論文リスト
- QML-IDS: Quantum Machine Learning Intrusion Detection System [1.2016264781280588]
本稿では量子コンピューティングと古典コンピューティングを組み合わせた新しい侵入検知システムQML-IDSを提案する。
QML-IDSはQuantum Machine Learning(QML)手法を用いてネットワークパターンを分析し、攻撃活動を検出する。
我々は,QML-IDSが攻撃検出に有効であることを示し,バイナリおよびマルチクラス分類タスクで良好に動作することを示す。
論文 参考訳（メタデータ） (2024-10-07T13:07:41Z) - CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳（メタデータ） (2024-08-28T00:56:03Z) - RobQuNNs: A Methodology for Robust Quanvolutional Neural Networks against Adversarial Attacks [3.9554540293311864]
Quanvolutional Neural Networks (QuNN) は量子層と古典層を統合している。
本研究は,QuNNの敵攻撃に対する堅牢性を高める新しい手法であるRobQuNNを紹介する。
その結果、QuNNはMNISTデータセットの古典的ネットワークに比べて最大60%高いロバスト性を示すことがわかった。
論文 参考訳（メタデータ） (2024-07-04T12:13:52Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - On the Interpretability of Quantum Neural Networks [0.0]
人工知能(AI)手法、特にディープニューラルネットワークの解釈可能性は非常に興味深い。
本稿では,古典的ニューラルネットワークによく用いられる局所的モデルに依存しない解釈可能性尺度を用いて,量子ニューラルネットワークの解釈可能性について検討する。
我々の説明の1つの特徴は、データサンプルが本質的にランダムな量子測定の対象であるランダムなラベルを与えられた領域の描写である。
論文 参考訳（メタデータ） (2023-08-22T00:43:14Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
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) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - Experimental quantum adversarial learning with programmable
superconducting qubits [15.24718195264974]
プログラム可能な超伝導量子ビットを用いた量子対数学習の実験実験を行った。
本研究は,量子学習システムにおいて,敵対的シナリオ下での重大な脆弱性の側面を実験的に明らかにした。
論文 参考訳（メタデータ） (2022-04-04T18:00:00Z) - Hybrid Quantum-Classical Neural Network for Cloud-supported In-Vehicle
Cyberattack Detection [3.09487092349687]
クラウドをサポートするサイバー物理システム環境では、量子コンピュータで機械学習アプリケーションを実行することはしばしば困難である。
本研究では,ハイブリッド量子古典的NNを用いて,94%の攻撃検出精度を達成可能であることを示す。
論文 参考訳（メタデータ） (2021-10-14T15:40:33Z) - The dilemma of quantum neural networks [63.82713636522488]
量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。
QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。
これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
論文 参考訳（メタデータ） (2021-06-09T10:41:47Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳（メタデータ） (2019-12-31T07:40:23Z)
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。