論文の概要: Enhancing Quantum Adversarial Robustness by Randomized Encodings
- arxiv url: http://arxiv.org/abs/2212.02531v1
- Date: Mon, 5 Dec 2022 19:00:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 16:06:01.764662
- Title: Enhancing Quantum Adversarial Robustness by Randomized Encodings
- Title（参考訳）: ランダム化符号化による量子対数ロバスト性向上
- Authors: Weiyuan Gong, Dong Yuan, Weikang Li and Dong-Ling Deng
- Abstract要約: 本稿では,正規データサンプルをランダムに符号化することにより,量子学習システムを敵攻撃から保護する手法を提案する。
グローバルおよび局所ランダムなユニタリエンコーダの両方が指数関数的に勾配を消失させることを示す。
ランダムなブラックボックス量子誤り訂正エンコーダは、量子分類器を局所的な逆雑音から保護できることを示す。
- 参考スコア（独自算出の注目度）: 10.059889429655582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The interplay between quantum physics and machine learning gives rise to the
emergent frontier of quantum machine learning, where advanced quantum learning
models may outperform their classical counterparts in solving certain
challenging problems. However, quantum learning systems are vulnerable to
adversarial attacks: adding tiny carefully-crafted perturbations on legitimate
input samples can cause misclassifications. To address this issue, we propose a
general scheme to protect quantum learning systems from adversarial attacks by
randomly encoding the legitimate data samples through unitary or quantum error
correction encoders. In particular, we rigorously prove that both global and
local random unitary encoders lead to exponentially vanishing gradients (i.e.
barren plateaus) for any variational quantum circuits that aim to add
adversarial perturbations, independent of the input data and the inner
structures of adversarial circuits and quantum classifiers. In addition, we
prove a rigorous bound on the vulnerability of quantum classifiers under local
unitary adversarial attacks. We show that random black-box quantum error
correction encoders can protect quantum classifiers against local adversarial
noises and their robustness increases as we concatenate error correction codes.
To quantify the robustness enhancement, we adapt quantum differential privacy
as a measure of the prediction stability for quantum classifiers. Our results
establish versatile defense strategies for quantum classifiers against
adversarial perturbations, which provide valuable guidance to enhance the
reliability and security for both near-term and future quantum learning
technologies.
- Abstract（参考訳）: 量子物理学と機械学習の相互作用は、量子機械学習の創発的なフロンティアを生み出す。
しかし、量子学習システムは敵対的な攻撃に弱い: 正当な入力サンプルに慎重に作られた摂動を追加すると、誤った分類を引き起こす可能性がある。
そこで本研究では,正則データサンプルをユニタリあるいは量子誤り訂正エンコーダを用いてランダムに符号化することにより,量子学習システムを敵攻撃から保護する一般的な手法を提案する。
特に、大域的および局所的ランダムなユニタリエンコーダの両方が、入力データと逆回路と量子分類器の内部構造に独立な逆摂動を加えることを目的とした変動量子回路に対して指数関数的に勾配(バレンプラトー)を消失させることを厳密に証明する。
さらに,局所的な一元攻撃下での量子分類器の脆弱性に対する厳密な制限を証明した。
ランダムなブラックボックス量子誤り訂正エンコーダは、量子分類器を局所的な逆雑音から保護し、誤り訂正符号を結合するにつれてその頑健性が増加することを示す。
堅牢性向上の定量化のために,量子分類器の予測安定性の尺度として量子微分プライバシーを適用した。
本研究は, 量子分類器の対向的摂動に対する汎用的防御戦略を確立し, 短期および将来の量子学習技術の信頼性と安全性を高めるための貴重なガイダンスを提供する。
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) - Adversarial Robustness Guarantees for Quantum Classifiers [0.4934360430803066]
本稿では,QMLアルゴリズムの量子特性が,このような攻撃に対する基本的保護を導出できることを示す。
我々は、この保護の量子源を特定するために、多体物理学のツールを活用している。
論文 参考訳（メタデータ） (2024-05-16T18:00:01Z) - Near-Term Distributed Quantum Computation using Mean-Field Corrections
and Auxiliary Qubits [77.04894470683776]
本稿では,限られた情報伝達と保守的絡み合い生成を含む短期分散量子コンピューティングを提案する。
我々はこれらの概念に基づいて、変分量子アルゴリズムの断片化事前学習のための近似回路切断手法を作成する。
論文 参考訳（メタデータ） (2023-09-11T18:00:00Z) - Universal adversarial perturbations for multiple classification tasks
with quantum classifiers [0.0]
量子敵対機械学習は、敵対的摂動に対する量子学習システムの脆弱性を研究する。
本稿では、不均一な分類タスクの文脈における量子普遍摂動について考察する。
2つの異なる分類タスクにおいて、ほぼ最先端の精度を達成する量子分類器は、慎重に作られた1つの普遍摂動によって決定的に欺くことができる。
論文 参考訳（メタデータ） (2023-06-21T02:02:41Z) - 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) - 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) - 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) - Quantum Error Correction with Quantum Autoencoders [0.0]
量子ニューラルネットワークをトレーニングして,能動的検出と誤り訂正のための最適な戦略を学習する方法を示す。
量子オートエンコーダの復号化能力は、特定の状態の保護に限らず、論理的コード空間全体に拡張されることを強調した。
論文 参考訳（メタデータ） (2022-02-01T16:55:14Z) - Circuit Symmetry Verification Mitigates Quantum-Domain Impairments [69.33243249411113]
本稿では,量子状態の知識を必要とせず,量子回路の可換性を検証する回路指向対称性検証を提案する。
特に、従来の量子領域形式を回路指向安定化器に一般化するフーリエ時間安定化器(STS)手法を提案する。
論文 参考訳（メタデータ） (2021-12-27T21:15:35Z) - Universal Adversarial Examples and Perturbations for Quantum Classifiers [0.0]
量子分類器の逆例と摂動の普遍性について研究する。
我々は、$ n$ qubitsの各受信入力データを持つ$ k$分類器のセットのために、$ O(frac k 2n)$摂動強度の増加は、適度な普遍的な敵対的リスクを確保するために十分であることを証明します。
論文 参考訳（メタデータ） (2021-02-15T19:00:09Z) - Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
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。
論文 参考訳（メタデータ） (2020-03-20T17:56:14Z)
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。