論文の概要: Generating Universal Adversarial Perturbations for Quantum Classifiers
- arxiv url: http://arxiv.org/abs/2402.08648v1
- Date: Tue, 13 Feb 2024 18:27:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 14:19:10.271594
- Title: Generating Universal Adversarial Perturbations for Quantum Classifiers
- Title（参考訳）: 量子分類器に対するユニバーサル逆摂動の生成
- Authors: Gautham Anil, Vishnu Vinod, Apurva Narayan
- Abstract要約: 量子機械学習(QML)は、量子コンピューティングの能力を活用し、既存の機械学習方法論を強化することを目的として、将来的な研究分野として登場した。
近年の研究では、古典的手法と同様に、PQC(Parametrized Quantum Circuits)に基づくQMLモデルも敵の攻撃に対して脆弱であることが示されている。
量子分類器のためのUAP(Universal Adversarial Perturbations)を生成するための新しいフレームワークQuGAPを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Machine Learning (QML) has emerged as a promising field of research,
aiming to leverage the capabilities of quantum computing to enhance existing
machine learning methodologies. Recent studies have revealed that, like their
classical counterparts, QML models based on Parametrized Quantum Circuits
(PQCs) are also vulnerable to adversarial attacks. Moreover, the existence of
Universal Adversarial Perturbations (UAPs) in the quantum domain has been
demonstrated theoretically in the context of quantum classifiers. In this work,
we introduce QuGAP: a novel framework for generating UAPs for quantum
classifiers. We conceptualize the notion of additive UAPs for PQC-based
classifiers and theoretically demonstrate their existence. We then utilize
generative models (QuGAP-A) to craft additive UAPs and experimentally show that
quantum classifiers are susceptible to such attacks. Moreover, we formulate a
new method for generating unitary UAPs (QuGAP-U) using quantum generative
models and a novel loss function based on fidelity constraints. We evaluate the
performance of the proposed framework and show that our method achieves
state-of-the-art misclassification rates, while maintaining high fidelity
between legitimate and adversarial samples.
- Abstract（参考訳）: 量子機械学習(QML)は、量子コンピューティングの能力を活用し、既存の機械学習方法論を強化することを目的として、将来的な研究分野として登場した。
最近の研究では、古典的モデルと同様に、パラメトリズド量子回路(pqcs)に基づくqmlモデルも逆攻撃に弱いことが示されている。
さらに、量子領域における普遍逆摂動(UAP)の存在は、量子分類器の文脈で理論的に実証されている。
本稿では,量子分類器のためのUAPを生成する新しいフレームワークQuGAPを紹介する。
PQCに基づく分類器に対する付加的 UAP の概念を概念化し,その存在を理論的に実証する。
次に、生成モデル(QuGAP-A)を用いて、付加的なUAPを作成し、量子分類器がそのような攻撃の影響を受けやすいことを示す。
さらに、量子生成モデルを用いたユニタリUAP(QuGAP-U)の生成法と、忠実度制約に基づく新しい損失関数を定式化する。
提案手法の性能を評価し,本手法が正統と反対のサンプル間の高い忠実性を維持しつつ,最先端の誤分類率を達成していることを示す。
関連論文リスト
- Quantum enhanced stratification of Breast Cancer: exploring quantum expressivity for real omics data [0.0]
量子カーネル(QK)は、分子特性に基づいて、乳癌(BC)患者のサブタイプを効果的に分類できる。
以上の結果から,QKは従来の手法と同等のクラスタリング結果が得られるが,データポイントは少ないことがわかった。
その結果,NISQデバイス上で計算パイプラインを確実に実装できることが示唆された。
論文 参考訳（メタデータ） (2024-09-21T10:00:09Z) - GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。
GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。
GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
論文 参考訳（メタデータ） (2024-01-25T11:11:16Z) - Quantum Generative Adversarial Networks: Bridging Classical and Quantum
Realms [0.6827423171182153]
GAN(Generative Adversarial Networks)領域における古典的および量子コンピューティングパラダイムの相乗的融合について検討する。
我々の目的は、量子計算要素を従来のGANアーキテクチャにシームレスに統合し、トレーニングプロセスの強化のために新しい経路を開放することである。
この研究は量子化機械学習の最前線に位置し、量子システムの計算能力を活用するための重要な一歩である。
論文 参考訳（メタデータ） (2023-12-15T16:51:36Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - 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) - Theory of Quantum Generative Learning Models with Maximum Mean
Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。
まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。
次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文 参考訳（メタデータ） (2022-05-10T08:05:59Z) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳（メタデータ） (2022-01-21T16:35:35Z) - Learning Classical Readout Quantum PUFs based on single-qubit gates [9.669942356088377]
統計的クエリ(SQ)モデルを用いて古典的読み出し量子PUF(CR-QPUF)のクラスを定式化する。
敵がCR-QPUFにSQアクセスした場合、シングルビット回転ゲートに基づくCR-QPUFのセキュリティが不十分であることを示す。
悪意ある者がCR-QPUF特性を学習し、量子デバイスのシグネチャを鍛える方法を示す。
論文 参考訳（メタデータ） (2021-12-13T13:29:22Z) - 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) - Quantum Generative Adversarial Networks in a Continuous-Variable
Architecture to Simulate High Energy Physics Detectors [0.0]
連続可変量子計算に用いる新しい量子GAN(qGAN)のプロトタイプを導入し,解析する。
量子と古典的判別器を備えた2つのCV qGANモデルを用いて、小型でカロリーの出力を再現する実験を行った。
論文 参考訳（メタデータ） (2021-01-26T23:33:14Z) - Enhancing Generative Models via Quantum Correlations [1.6099403809839032]
確率分布から抽出したサンプルを用いた生成モデリングは教師なし機械学習の強力なアプローチである。
このような量子相関が生成モデリングの強力な資源となることを理論的に示す。
この分離を標準的な機械学習データセットで数値的にテストし、実用的な問題に耐えることを示します。
論文 参考訳（メタデータ） (2021-01-20T22:57:22Z)
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。