論文の概要: Detecting Violations of Differential Privacy for Quantum Algorithms
- arxiv url: http://arxiv.org/abs/2309.04819v1
- Date: Sat, 9 Sep 2023 15:07:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 16:09:03.338764
- Title: Detecting Violations of Differential Privacy for Quantum Algorithms
- Title（参考訳）: 量子アルゴリズムにおける差分プライバシー違反の検出
- Authors: Ji Guan, Wang Fang, Mingyu Huang and Mingsheng Ying
- Abstract要約: 量子アルゴリズムの差分プライバシー違反を検出するための公式な枠組みを定義する。
差分プライバシー違反が報告されたときに情報を生成するため、ノイズの多いバッジアルゴリズムを開発する。
結果は、すでに現実的な量子コンピュータに実装されているほぼ全ての種類の量子アルゴリズムの実験結果によって確認される。
- 参考スコア（独自算出の注目度）: 3.55689240295244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum algorithms for solving a wide range of practical problems have been
proposed in the last ten years, such as data search and analysis, product
recommendation, and credit scoring. The concern about privacy and other ethical
issues in quantum computing naturally rises up. In this paper, we define a
formal framework for detecting violations of differential privacy for quantum
algorithms. A detection algorithm is developed to verify whether a (noisy)
quantum algorithm is differentially private and automatically generate bugging
information when the violation of differential privacy is reported. The
information consists of a pair of quantum states that violate the privacy, to
illustrate the cause of the violation. Our algorithm is equipped with Tensor
Networks, a highly efficient data structure, and executed both on TensorFlow
Quantum and TorchQuantum which are the quantum extensions of famous machine
learning platforms -- TensorFlow and PyTorch, respectively. The effectiveness
and efficiency of our algorithm are confirmed by the experimental results of
almost all types of quantum algorithms already implemented on realistic quantum
computers, including quantum supremacy algorithms (beyond the capability of
classical algorithms), quantum machine learning models, quantum approximate
optimization algorithms, and variational quantum eigensolvers with up to 21
quantum bits.
- Abstract（参考訳）: 過去10年間,データ検索や分析,製品推薦,クレジットスコアリングなど,幅広い実用的問題を解決するための量子アルゴリズムが提案されてきた。
量子コンピューティングにおけるプライバシーや倫理的な問題に対する懸念は自然に高まる。
本稿では,量子アルゴリズムの差分プライバシー違反を検出するための形式的枠組みを定義する。
検出アルゴリズムを開発し、(ノイズ)量子アルゴリズムが差分プライベートかどうかを検証し、差分プライバシー違反が報告されると自動的にバッキング情報を生成する。
この情報は、プライバシを侵害する2つの量子状態から成り、違反の原因を説明する。
私たちのアルゴリズムは、非常に効率的なデータ構造であるテンソルネットワークを備えており、tensorflow quantumとtorchquantumの両方で実行されています。
このアルゴリズムの有効性と効率は、量子超越アルゴリズム(古典的アルゴリズムの能力を超える)、量子機械学習モデル、量子近似最適化アルゴリズム、最大21量子ビットの変分量子固有ソルバを含む、すでに現実的な量子コンピュータに実装されているほぼ全ての量子アルゴリズムの実験結果によって確認される。
関連論文リスト
- Quantum Machine Learning Algorithms for Anomaly Detection: a Survey [1.747623282473278]
量子コンピューティングに関わる重要な概念を要約し、量子スピードアップという形式的な概念を導入する。
このサーベイは、量子機械学習に基づく異常検出の構造化マップを提供する。
論文 参考訳（メタデータ） (2024-08-20T17:55:25Z) - 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) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - 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) - Quantum algorithms: A survey of applications and end-to-end complexities [90.05272647148196]
期待されている量子コンピュータの応用は、科学と産業にまたがる。
本稿では,量子アルゴリズムの応用分野について検討する。
私たちは、各領域における課題と機会を"エンドツーエンド"な方法で概説します。
論文 参考訳（メタデータ） (2023-10-04T17:53:55Z) - Error Analysis of the Variational Quantum Eigensolver Algorithm [0.18188255328029254]
変分量子固有解法(VQE)とその個々の量子サブルーチンについて検討する。
我々は,量子処理コール中に単一エラーが発生した場合,VQEアルゴリズムがすでに効果的に崩壊していることを示す。
論文 参考訳（メタデータ） (2023-01-18T02:02:30Z) - Benchmarking Small-Scale Quantum Devices on Computing Graph Edit
Distance [52.77024349608834]
グラフ編集距離(GED: Graph Edit Distance)は、2つのグラフ間の(異なる)相似性の度合いを測定する。
本稿では、GED計算における2つの量子アプローチの比較研究について述べる。
論文 参考訳（メタデータ） (2021-11-19T12:35:26Z) - Quantum Algorithms for Unsupervised Machine Learning and Neural Networks [2.28438857884398]
行列積や距離推定といったタスクを解くために量子アルゴリズムを導入する。
これらの結果は、教師なし機械学習のための新しい量子アルゴリズムの開発に使用される。
また、ニューラルネットワークやディープラーニングのための新しい量子アルゴリズムも提示します。
論文 参考訳（メタデータ） (2021-11-05T16:36:09Z) - Quantum Fair Machine Learning [1.8275108630751844]
古典と量子フェアの機械学習アルゴリズムの違いと類似点の比較分析を行った。
本稿では,Groverの探索アルゴリズムを用いた量子フェア機械学習における最初の結果を示す。
正準リプシッツ条件の個々の公正度基準を量子メトリクスを用いて量子設定に拡張する。
論文 参考訳（メタデータ） (2021-02-01T10:36:46Z) - Robustness Verification of Quantum Classifiers [1.3534683694551501]
我々は、雑音に対する量子機械学習アルゴリズムの検証と解析のための正式なフレームワークを定義する。
堅牢な境界が導出され、量子機械学習アルゴリズムが量子トレーニングデータに対して堅牢であるか否かを確認するアルゴリズムが開発された。
我々のアプローチはGoogleのQuantum分類器に実装されており、ノイズの小さな乱れに関して量子機械学習アルゴリズムの堅牢性を検証することができる。
論文 参考訳（メタデータ） (2020-08-17T11:56:23Z) - An Application of Quantum Annealing Computing to Seismic Inversion [55.41644538483948]
小型地震インバージョン問題を解決するために,D波量子アニールに量子アルゴリズムを適用した。
量子コンピュータによって達成される精度は、少なくとも古典的コンピュータと同程度である。
論文 参考訳（メタデータ） (2020-05-06T14:18:44Z)
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。