論文の概要: Computable Model-Independent Bounds for Adversarial Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2411.06863v1
• Date: Mon, 11 Nov 2024 10:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:37.051975
• Title: Computable Model-Independent Bounds for Adversarial Quantum Machine Learning
• Title（参考訳）: 逆量子機械学習のための計算可能モデル独立境界
• Authors: Bacui Li, Tansu Alpcan, Chandra Thapa, Udaya Parampalli,
• Abstract要約: 本稿では、量子ベースの逆数攻撃に対するモデルレジリエンスを評価する際に、逆数誤差の近似的下界について紹介する。 最良の場合、実験誤差は推定境界より10%だけ高く、量子モデルの本質的なロバスト性を示す。
• 参考スコア（独自算出の注目度）: 4.857505043608425
• License:
• Abstract: By leveraging the principles of quantum mechanics, QML opens doors to novel approaches in machine learning and offers potential speedup. However, machine learning models are well-documented to be vulnerable to malicious manipulations, and this susceptibility extends to the models of QML. This situation necessitates a thorough understanding of QML's resilience against adversarial attacks, particularly in an era where quantum computing capabilities are expanding. In this regard, this paper examines model-independent bounds on adversarial performance for QML. To the best of our knowledge, we introduce the first computation of an approximate lower bound for adversarial error when evaluating model resilience against sophisticated quantum-based adversarial attacks. Experimental results are compared to the computed bound, demonstrating the potential of QML models to achieve high robustness. In the best case, the experimental error is only 10% above the estimated bound, offering evidence of the inherent robustness of quantum models. This work not only advances our theoretical understanding of quantum model resilience but also provides a precise reference bound for the future development of robust QML algorithms.
• Abstract（参考訳）: 量子力学の原理を活用することで、QMLは機械学習の新たなアプローチへの扉を開き、潜在的なスピードアップを提供する。 しかし、機械学習モデルは悪意のある操作に対して脆弱であるように文書化されており、この感受性はQMLのモデルにまで及ぶ。 この状況は、特に量子コンピューティング能力が拡大している時代に、QMLの敵攻撃に対するレジリエンスを徹底的に理解する必要がある。 そこで本研究では,QMLの対向性能に関するモデル非依存境界について検討する。 我々の知る限り、我々は、高度な量子ベースの敵攻撃に対するモデルレジリエンスを評価する際に、敵誤差の近似的下限の計算を初めて導入する。 実験結果は計算された境界値と比較され、高い堅牢性を達成するためのQMLモデルの可能性を示す。 最良の場合、実験誤差は推定境界より10%だけ高く、量子モデルの本質的なロバスト性を示す。 この研究は、量子モデルのレジリエンスに関する理論的理解を前進させるだけでなく、堅牢なQMLアルゴリズムの開発に正確な基準を提供する。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Quantum Machine Learning Architecture Search via Deep Reinforcement Learning [8.546707309430593]
  教師付き学習タスクに適した有能なQMLモデルアーキテクチャを探索するために、深層強化学習を導入する。 我々の手法は、所定のアンザッツを使わずにQMLモデルの発見を容易にするポリシーを考案するために、RLエージェントを訓練することを含む。 提案手法は,ゲート深さを最小化しながら高い分類精度を達成できるVQCアーキテクチャの同定に成功している。
  論文  参考訳（メタデータ） (2024-07-29T16:20:51Z)
• Quantum Long Short-Term Memory for Drug Discovery [15.186004892998382]
  薬物発見に量子機械学習(QML)をうまく応用する。 そこで本研究では,QMLがモデル性能を大幅に向上し,従来のMLよりも高速な収束を実現することを示す。 この研究は、量子コンピューティングが科学的進歩に多大な利益をもたらす可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-29T10:10:03Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Financial Fraud Detection: A Comparative Study of Quantum Machine Learning Models [0.0]
  量子サポートベクトルモデルは、詐欺と非詐欺のクラスでF1スコアが0.98 0.98と最高性能を達成した。 この記事では、現在の制限を克服するソリューションを提供し、不正検出における量子機械学習の分野に新たな洞察を提供する。
  論文  参考訳（メタデータ） (2023-08-09T21:47:50Z)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• 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)
• Structural risk minimization for quantum linear classifiers [0.0]
  qml(quantum machine learning)は、量子コンピューティングの短期的"キラーアプリケーション"の典型的な候補の1つとして注目される。 明示的および暗黙的量子線形分類器と呼ばれる2つの密接に関連したQMLモデルの容量測定を研究する。 我々は,QMLモデルで使用される観測値のランクとフロベニウスノルムが,モデルのキャパシティを密接に制御していることを確認した。
  論文  参考訳（メタデータ） (2021-05-12T10:39:55Z)
• Error mitigation and quantum-assisted simulation in the error corrected regime [77.34726150561087]
  量子コンピューティングの標準的なアプローチは、古典的にシミュレート可能なフォールトトレラントな演算セットを促進するという考え方に基づいている。 量子回路の古典的準確率シミュレーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2021-03-12T20:58:41Z)
• Predicting toxicity by quantum machine learning [11.696069523681178]
  本研究では, 定量的構造活性相関に基づく221種類のフェノールの毒性予測のためのQMLモデルを開発した。 その結果、量子エンタングルメントによって強化されたデータエンコーディングは、従来のエンタングルよりも表現力が高いことが示唆された。
  論文  参考訳（メタデータ） (2020-08-18T02:59:40Z)

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。