論文の概要: A Comparative Analysis of Adversarial Robustness for Quantum and Classical Machine Learning Models
- arxiv url: http://arxiv.org/abs/2404.16154v1
- Date: Wed, 24 Apr 2024 19:20:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 16:02:40.928379
- Title: A Comparative Analysis of Adversarial Robustness for Quantum and Classical Machine Learning Models
- Title（参考訳）: 量子および古典的機械学習モデルにおける逆ロバスト性の比較分析
- Authors: Maximilian Wendlinger, Kilian Tscharke, Pascal Debus,
- Abstract要約: 古典モデルと量子モデルの相似性と相違点について検討する。
この結果から,量子古典境界上でのQML回路の古典的近似を「中間基底」と見なすことができた。
- 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) continues to be an area of tremendous interest from research and industry. While QML models have been shown to be vulnerable to adversarial attacks much in the same manner as classical machine learning models, it is still largely unknown how to compare adversarial attacks on quantum versus classical models. In this paper, we show how to systematically investigate the similarities and differences in adversarial robustness of classical and quantum models using transfer attacks, perturbation patterns and Lipschitz bounds. More specifically, we focus on classification tasks on a handcrafted dataset that allows quantitative analysis for feature attribution. This enables us to get insight, both theoretically and experimentally, on the robustness of classification networks. We start by comparing typical QML model architectures such as amplitude and re-upload encoding circuits with variational parameters to a classical ConvNet architecture. Next, we introduce a classical approximation of QML circuits (originally obtained with Random Fourier Features sampling but adapted in this work to fit a trainable encoding) and evaluate this model, denoted Fourier network, in comparison to other architectures. Our findings show that this Fourier network can be seen as a "middle ground" on the quantum-classical boundary. While adversarial attacks successfully transfer across this boundary in both directions, we also show that regularization helps quantum networks to be more robust, which has direct impact on Lipschitz bounds and transfer attacks.
- Abstract（参考訳）: 量子機械学習(QML)は、研究や産業から大きな関心を集め続けている分野である。
QMLモデルは、古典的な機械学習モデルとほとんど同じ方法で敵攻撃に弱いことが示されているが、量子モデルと古典モデルの敵攻撃を比較する方法はほとんど分かっていない。
本稿では,移動攻撃,摂動パターン,リプシッツ境界を用いた古典的,量子的モデルの相似性と相違について系統的に検討する。
具体的には、特徴属性の定量的分析を可能にする手作りデータセットの分類タスクに焦点を当てる。
これにより、理論的にも実験的にも、分類ネットワークの堅牢性に関する洞察を得ることができる。
まず、振幅や再アップロード符号化回路などの典型的なQMLモデルアーキテクチャと変分パラメータを比較し、従来のConvNetアーキテクチャと比較する。
次に、QML回路の古典的近似(元はランダムフーリエ特徴サンプリングで得られたが、トレーニング可能な符号化に適合する)を導入し、他のアーキテクチャと比較してフーリエネットワークと呼ばれるモデルを評価する。
以上の結果から,このフーリエネットワークは量子古典境界上の「中間基底」と見なせることがわかった。
両方向の境界を越える敵攻撃は成功したが、正規化は量子ネットワークをより堅牢にし、リプシッツ境界や転送攻撃に直接影響を与えることを示す。
関連論文リスト
- Can Geometric Quantum Machine Learning Lead to Advantage in Barcode Classification? [16.34646723046073]
埋め込み対称性を持つ幾何量子機械学習(GQML)アプローチを開発する。
量子ネットワークが従来のネットワークよりも優れていることを示す。
アドバンテージを実現する能力は、データのロード方法に大きく依存するが、量子機械学習の利点と類似した問題を論じる。
論文 参考訳（メタデータ） (2024-09-02T23:34:52Z) - Building Continuous Quantum-Classical Bayesian Neural Networks for a Classical Clinical Dataset [0.0]
本稿では,医学データセットの不確実性を考慮した分類を行う量子古典ベイズニューラルネットワーク(QCBNN)を提案する。
予測性能とモデルの不確実性の両方を捉える複数の行動メトリクスを追跡します。
より不確実な方法でサンプルを分類できるハイブリッドモデルを作ることは、私たちの野望です。
論文 参考訳（メタデータ） (2024-06-10T14:23:25Z) - Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。
量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T16:57:51Z) - 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) - 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) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳（メタデータ） (2022-12-22T16:06:24Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Binary classifiers for noisy datasets: a comparative study of existing
quantum machine learning frameworks and some new approaches [0.0]
バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。
ノイズの多いデータセットは 財務的なデータセットの中にあります
新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
論文 参考訳（メタデータ） (2021-11-05T10:29:05Z) - Phase diagram of quantum generalized Potts-Hopfield neural networks [0.0]
我々は,q-state Potts-Hopfield ニューラルネットワークのオープン量子一般化を導入し,解析する。
この多体系の力学はリンドブラッド型のマルコフマスター方程式によって定式化される。
論文 参考訳（メタデータ） (2021-09-21T12:48:49Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳（メタデータ） (2021-04-30T21:34:11Z) - Anomaly detection with variational quantum generative adversarial
networks [0.0]
GAN(Generative Adversarial Network)は、ターゲット分布からサンプリングする生成モデルを含む機械学習フレームワークである。
これらの問題に対処するために、変分量子古典ワッサースタインGANを導入し、このモデルを古典的な機械学習フレームワークに組み込んで異常検出を行う。
我々のモデルは、ワッサースタインGANのジェネレータをハイブリッド量子古典ニューラルネットに置き換え、古典的な判別モデルをそのまま残す。
論文 参考訳（メタデータ） (2020-10-20T17:48:04Z)
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。