論文の概要: Towards an in-depth detection of malware using distributed QCNN

• arxiv url: http://arxiv.org/abs/2312.12161v1
• Date: Tue, 19 Dec 2023 13:48:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 15:27:05.082300
• Title: Towards an in-depth detection of malware using distributed QCNN
• Title（参考訳）: 分散QCNNを用いたマルウェアの詳細な検出に向けて
• Authors: Tony Quertier and Gr\'egoire Barru\'e
• Abstract要約: 量子ニューラルネットワークは、数量子ビットを使用する場合、画像ベースのマルウェア検出ではうまく動作しないことを示す。 我々は,Grayscale法を用いてデータセットの新たな前処理を実装し,それを5つの分散量子畳み込みネットワークとスコアリング関数からなるモデルと組み合わせた。 テストの精度とF1スコアの両方で、結果の約20%が向上します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malware detection is an important topic of current cybersecurity, and Machine Learning appears to be one of the main considered solutions even if certain problems to generalize to new malware remain. In the aim of exploring the potential of quantum machine learning on this domain, our previous work showed that quantum neural networks do not perform well on image-based malware detection when using a few qubits. In order to enhance the performances of our quantum algorithms for malware detection using images, without increasing the resources needed in terms of qubits, we implement a new preprocessing of our dataset using Grayscale method, and we couple it with a model composed of five distributed quantum convolutional networks and a scoring function. We get an increase of around 20 \% of our results, both on the accuracy of the test and its F1-score.
• Abstract（参考訳）: マルウェア検出は、現在のサイバーセキュリティの重要なトピックであり、機械学習は新しいマルウェアに一般化する特定の問題が残っているとしても、主要なソリューションの1つと考えられている。 この領域での量子機械学習の可能性を探るため、これまでの研究では、数量子ビットを使用すると、画像ベースのマルウェア検出では量子ニューラルネットワークがうまく機能しないことを示した。 画像を用いたマルウェア検出のための量子アルゴリズムの性能を向上させるため、量子ビットで必要なリソースを増大させることなく、グレースケール法を用いてデータセットの新たな前処理を実装し、それを5つの分散量子畳み込みネットワークとスコアリング関数からなるモデルと組み合わせた。 テストの正確さとf1-scoreの両方に基づいて、結果の約20%を増加させました。

関連論文リスト

• Layered Uploading for Quantum Convolutional Neural Networks [0.0]
  量子回路に沿ってデータをアップロードする新しいアーキテクチャを提案する。 これにより、量子回路に使用する量子ビットの数を増やすことなく、データからより多くの機能を利用することができます。
  論文  参考訳（メタデータ） (2024-04-15T12:51:51Z)
• Benchmarking Machine Learning Models for Quantum Error Correction [5.247398948623659]
  我々は、機械学習に基づく量子誤り訂正を理解するための新しい視点を提供する。 ニューラルネットワークアーキテクチャにまたがる7つの最先端ディープラーニングアルゴリズムを評価した。 遠方のアシラキュービットからの情報を活用するための受容野を拡大することにより、QECの精度は著しく向上する。
  論文  参考訳（メタデータ） (2023-11-18T21:01:38Z)
• Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
  グレー値画像のひび割れ検出に量子転送学習を適用した。 我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
  論文  参考訳（メタデータ） (2023-07-31T14:45:29Z)
• Software Supply Chain Vulnerabilities Detection in Source Code: Performance Comparison between Traditional and Quantum Machine Learning Algorithms [9.82923372621617]
  SSC攻撃は、下流の顧客をターゲットにしたソフトウェア製品の脆弱性につながる。 本稿では、量子ニューラルネットワーク(QNN)と従来のニューラルネットワーク(NN)の比較分析を行い、ClaMPとして知られるソフトウェアサプライチェーンアタックデータセットを用いた。 我々のゴールは、QNNとNNのパフォーマンスを区別し、実験を行うことであり、従来の量子にPennylaneとKerasをそれぞれ利用して、QNNとNNの2つの異なるモデルを開発することである。
  論文  参考訳（メタデータ） (2023-05-31T06:06:28Z)
• 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)
• NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
  ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。 我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2022-11-29T15:03:05Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• 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)
• NF-GNN: Network Flow Graph Neural Networks for Malware Detection and Classification [11.624780336645006]
  悪意あるソフトウェア(マルウェア)は、通信システムのセキュリティに対する脅威を増大させる。 監視および監視されていない設定でマルウェアの検出と分類をサポートする3つのベースモデルを紹介します。 4つの異なる予測タスクに関する実験は、一貫してこのアプローチの利点を実証し、グラフニューラルネットワークモデルが検出性能を大幅に向上させることができることを示した。
  論文  参考訳（メタデータ） (2021-03-05T20:54:38Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。