論文の概要: Guardians of the Quantum GAN

• arxiv url: http://arxiv.org/abs/2404.16156v3
• Date: Wed, 15 May 2024 20:55:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 18:25:33.528462
• Title: Guardians of the Quantum GAN
• Title（参考訳）: 量子ガンのガーディアン
• Authors: Archisman Ghosh, Debarshi Kundu, Avimita Chatterjee, Swaroop Ghosh,
• Abstract要約: Quantum Generative Adversarial Networks (qGANs)は、画像生成量子機械学習モデルの最前線にある。 量子ハードウェアをサービスとして提供するサードパーティベンダの数は増加すると予想されている。 非侵襲的な透かしとして,qGANの学習段階に埋め込まれたノイズ信号を利用する新しい透かし手法を提案する。
• 参考スコア（独自算出の注目度）: 1.912429179274357
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantum Generative Adversarial Networks (qGANs) are at the forefront of image-generating quantum machine learning models. To accommodate the growing demand for Noisy Intermediate-Scale Quantum (NISQ) devices to train and infer quantum machine learning models, the number of third-party vendors offering quantum hardware as a service is expected to rise. This expansion introduces the risk of untrusted vendors potentially stealing proprietary information from the quantum machine learning models. To address this concern we propose a novel watermarking technique that exploits the noise signature embedded during the training phase of qGANs as a non-invasive watermark. The watermark is identifiable in the images generated by the qGAN allowing us to trace the specific quantum hardware used during training hence providing strong proof of ownership. To further enhance the security robustness, we propose the training of qGANs on a sequence of multiple quantum hardware, embedding a complex watermark comprising the noise signatures of all the training hardware that is difficult for adversaries to replicate. We also develop a machine learning classifier to extract this watermark robustly, thereby identifying the training hardware (or the suite of hardware) from the images generated by the qGAN validating the authenticity of the model. We note that the watermark signature is robust against inferencing on hardware different than the hardware that was used for training. We obtain watermark extraction accuracy of 100% and ~90% for training the qGAN on individual and multiple quantum hardware setups (and inferencing on different hardware), respectively. Since parameter evolution during training is strongly modulated by quantum noise, the proposed watermark can be extended to other quantum machine learning models as well.
• Abstract（参考訳）: Quantum Generative Adversarial Networks (qGANs)は、画像生成量子機械学習モデルの最前線にある。 量子機械学習モデルをトレーニングし、推論するためのNISQ(Noisy Intermediate-Scale Quantum)デバイスへの需要の増加に対応するため、量子ハードウェアをサービスとして提供するサードパーティベンダの数は増加すると予想されている。 この拡張は、信頼できないベンダーが量子機械学習モデルからプロプライエタリな情報を盗むリスクをもたらす。 そこで本研究では,qGANsのトレーニングフェーズに埋め込まれたノイズシグネチャを非侵襲的な透かしとして活用する新しい透かし手法を提案する。 透かしは、qGANが生成した画像の中で識別可能であり、トレーニング中に使用する特定の量子ハードウェアをトレースすることで、所有権の強い証明を提供する。 セキュリティの堅牢性をさらに高めるため、複数の量子ハードウェアのシーケンス上でqGANのトレーニングを提案し、敵が複製し難い全てのトレーニングハードウェアのノイズシグネチャを含む複雑な透かしを埋め込む。 また、この透かしを頑健に抽出する機械学習分類器を開発し、モデルの真正性を検証したqGANによって生成された画像からトレーニングハードウェア(またはハードウェアスイート)を識別する。 ウォーターマークの署名は、トレーニングに使用されたハードウェアとは異なるハードウェアの推論に対して堅牢である点に注意が必要だ。 個別の量子ハードウェア上でのQGANのトレーニングには,それぞれ100%と90%の透かし抽出精度が得られた(異なるハードウェア上での参照)。 トレーニング中のパラメータの進化は量子ノイズによって強く変調されるため、提案された透かしは他の量子機械学習モデルにも拡張することができる。

関連論文リスト

• Quantum Generative Adversarial Networks: Generating and Detecting Quantum Product States [2.209921757303168]
  我々は、画像生成と分類のための古典的なスタイルネットGANの量子アナログを作成する。 純粋に量子情報を持つQGANを実証する問題を選択する。 実積状態は、量子発生器によって生成された偽の量子積状態から検出され分離される。
  論文  参考訳（メタデータ） (2024-08-09T19:11:47Z)
• Multi-Stage Watermarking for Quantum Circuits [15.592314567937159]
  特定の問題に対処するために設計された量子回路は、量子コンピューティング企業にとって重要な知的特性(IP)として登場した。 本稿では,量子回路のための革新的なマルチステージ透かし方式を提案する。
  論文  参考訳（メタデータ） (2024-04-28T00:52:38Z)
• 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)
• Precise Image Generation on Current Noisy Quantum Computing Devices [0.0]
  量子アングルジェネレータ(QAG)は、現在のノイズ中間スケール(NISQ)量子デバイス上で正確な画像を生成するために設計された、新しいフル量子機械学習モデルである。 変動量子回路はQAGモデルのコアを形成し、様々な回路アーキテクチャを評価する。 実演では、このモデルは粒子エネルギーを測定するのに必要な高エネルギー物理学において必要不可欠なシミュレーションに使用される。
  論文  参考訳（メタデータ） (2023-07-11T13:36:05Z)
• Delegated variational quantum algorithms based on quantum homomorphic encryption [69.50567607858659]
  変分量子アルゴリズム(VQA)は、量子デバイス上で量子アドバンテージを達成するための最も有望な候補の1つである。 クライアントのプライベートデータは、そのような量子クラウドモデルで量子サーバにリークされる可能性がある。 量子サーバが暗号化データを計算するための新しい量子ホモモルフィック暗号(QHE)スキームが構築されている。
  論文  参考訳（メタデータ） (2023-01-25T07:00:13Z)
• Simulation of Entanglement Generation between Absorptive Quantum Memories [56.24769206561207]
  我々は、QUantum Network Communication (SeQUeNCe) のオープンソースシミュレータを用いて、2つの原子周波数コム(AFC)吸収量子メモリ間の絡み合いの発生をシミュレートする。 本研究は,SeQUeNCe における truncated Fock 空間内の光量子状態の表現を実現する。 本研究では,SPDC音源の平均光子数と,平均光子数とメモリモード数の両方で異なる絡み合い発生率を観測する。
  論文  参考訳（メタデータ） (2022-12-17T05:51:17Z)
• IQGAN: Robust Quantum Generative Adversarial Network for Image Synthesis On NISQ Devices [2.4123561871510275]
  我々は、ノイズ中間量子(NISQ)デバイス上で効率よく実装できるマルチキュービット画像合成フレームワークIQGANを提案する。 そこで我々は,古典的データを量子状態に効果的に埋め込む訓練可能なマルチキュービット量子エンコーダを特徴とするIQGANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-30T14:52:08Z)
• 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)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。