論文の概要: RobQuNNs: A Methodology for Robust Quanvolutional Neural Networks against Adversarial Attacks
- arxiv url: http://arxiv.org/abs/2407.03875v1
- Date: Thu, 4 Jul 2024 12:13:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 18:12:58.445118
- Title: RobQuNNs: A Methodology for Robust Quanvolutional Neural Networks against Adversarial Attacks
- Title(参考訳): RobQuNNs: 敵対的攻撃に対するロバストな準進化的ニューラルネットワークの方法論
- Authors: Walid El Maouaki, Alberto Marchisio, Taoufik Said, Muhammad Shafique, Mohamed Bennai,
- Abstract要約: Quanvolutional Neural Networks (QuNN) は量子層と古典層を統合している。
本研究は,QuNNの敵攻撃に対する堅牢性を高める新しい手法であるRobQuNNを紹介する。
その結果、QuNNはMNISTデータセットの古典的ネットワークに比べて最大60%高いロバスト性を示すことがわかった。
- 参考スコア(独自算出の注目度): 3.9554540293311864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in quantum computing have led to the emergence of hybrid quantum neural networks, such as Quanvolutional Neural Networks (QuNNs), which integrate quantum and classical layers. While the susceptibility of classical neural networks to adversarial attacks is well-documented, the impact on QuNNs remains less understood. This study introduces RobQuNN, a new methodology to enhance the robustness of QuNNs against adversarial attacks, utilizing quantum circuit expressibility and entanglement capability alongside different adversarial strategies. Additionally, the study investigates the transferability of adversarial examples between classical and quantum models using RobQuNN, enhancing our understanding of cross-model vulnerabilities and pointing to new directions in quantum cybersecurity. The findings reveal that QuNNs exhibit up to 60\% higher robustness compared to classical networks for the MNIST dataset, particularly at low levels of perturbation. This underscores the potential of quantum approaches in improving security defenses. In addition, RobQuNN revealed that QuNN does not exhibit enhanced resistance or susceptibility to cross-model adversarial examples regardless of the quantum circuit architecture.
- Abstract(参考訳): 量子コンピューティングの最近の進歩は、量子層と古典層を統合するクオン進化ニューラルネットワーク(Quunvolutional Neural Networks、QuNN)のようなハイブリッド量子ニューラルネットワークの出現につながっている。
古典的ニューラルネットワークの敵攻撃に対する感受性は十分に文書化されているが、QuNNへの影響は理解されていない。
本研究は,QuNNの敵攻撃に対する堅牢性を高めるための新しい手法であるRobQuNNを紹介する。
さらに、ロブクNNを用いた古典的モデルと量子的モデル間の逆例の転送可能性について検討し、クロスモデル脆弱性の理解を深め、量子サイバーセキュリティにおける新たな方向性を示す。
この結果から,QuNNはMNISTデータセットの古典的ネットワーク,特に摂動の低レベルにおいて,最大で60倍の堅牢性を示すことがわかった。
このことは、セキュリティ防衛を改善するための量子アプローチの可能性を強調している。
さらに、RobQuNNは、QuNNが量子回路アーキテクチャに関係なく、クロスモデル対逆例に対する強化された抵抗や感受性を示していないことを明らかにした。
関連論文リスト
- Designing Robust Quantum Neural Networks: Exploring Expressibility, Entanglement, and Control Rotation Gate Selection for Enhanced Quantum Models [3.9554540293311864]
本研究では,クオン進化型ニューラルネットワーク(QuNN)のロバスト性について,従来のニューラルネットワークと比較して検討した。
本研究では,表現性,絡み合い,制御された回転ゲート選択という,3つの量子回路メトリクスを利用する新しい手法を開発した。
以上の結果から,QuNNはMNISTデータセットでは最大60%,Fashion-MNISTデータセットでは40%,CNNでは最大40%の堅牢性を示した。
論文 参考訳(メタデータ) (2024-11-03T21:18:07Z) - CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳(メタデータ) (2024-08-28T00:56:03Z) - Parallel Proportional Fusion of Spiking Quantum Neural Network for Optimizing Image Classification [10.069224006497162]
量子・スパイキングニューラルネットワーク(PPF-QSNN)の並列比例融合(Parallel Proportional Fusion of Quantum and Spiking Neural Networks)と呼ばれる新しいアーキテクチャを導入する。
提案したPPF-QSNNは、既存のスパイクニューラルネットワークと、精度、損失、ロバストネスといったメトリクスにわたるシリアル量子ニューラルネットワークの両方より優れている。
本研究は、人工知能計算における量子優位性の発展と応用の基盤となるものである。
論文 参考訳(メタデータ) (2024-04-01T10:35:35Z) - AdvQuNN: A Methodology for Analyzing the Adversarial Robustness of Quanvolutional Neural Networks [3.9554540293311864]
本研究の目的は、量子回路アーキテクチャがQuNNモデルのレジリエンスに与える影響を厳格に評価することである。
その結果、従来の畳み込みネットワークと比較して、QuNNはMNISTでは最大60%、FMNISTデータセットでは40%高いロバスト性を達成できた。
論文 参考訳(メタデータ) (2024-03-07T12:30:40Z) - Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。
本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。
我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
論文 参考訳(メタデータ) (2024-02-16T11:44:25Z) - Benchmarking Adversarially Robust Quantum Machine Learning at Scale [20.76790069530767]
簡単な画像データセットと複雑な画像データセットの両方に対して厳密なトレーニングを行うことで、量子MLネットワークのロバスト性をベンチマークする。
以上の結果から,QVCは古典的敵意攻撃に対して顕著に強靭性を示した。
量子と古典的ネットワークの結果を組み合わせることで,新たな敵攻撃検出技術を提案する。
論文 参考訳(メタデータ) (2022-11-23T03:26:16Z) - 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) - Exploring Architectural Ingredients of Adversarially Robust Deep Neural
Networks [98.21130211336964]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。
本稿では,ネットワーク幅と深さがDNNの強靭性に及ぼす影響について検討する。
論文 参考訳(メタデータ) (2021-10-07T23:13:33Z) - The dilemma of quantum neural networks [63.82713636522488]
量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。
QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。
これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
論文 参考訳(メタデータ) (2021-06-09T10:41:47Z) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳(メタデータ) (2020-11-12T08:32:04Z) - Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。
我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文 参考訳(メタデータ) (2019-12-31T07:40:23Z)
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。