論文の概要: Designing Robust Quantum Neural Networks: Exploring Expressibility, Entanglement, and Control Rotation Gate Selection for Enhanced Quantum Models

• arxiv url: http://arxiv.org/abs/2411.11870v1
• Date: Sun, 03 Nov 2024 21:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-24 05:33:12.437856
• Title: Designing Robust Quantum Neural Networks: Exploring Expressibility, Entanglement, and Control Rotation Gate Selection for Enhanced Quantum Models
• Title（参考訳）: ロバスト量子ニューラルネットワークの設計:拡張量子モデルのための表現性、絡み合い、制御回転ゲートの選択
• Authors: Walid El Maouaki, Alberto Marchisio, Taoufik Said, Muhammad Shafique, Mohamed Bennai,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.9554540293311864
• License:
• Abstract: In this study, we investigated the robustness of Quanvolutional Neural Networks (QuNNs) in comparison to their classical counterparts, Convolutional Neural Networks (CNNs), against two adversarial attacks: FGSM and PGD, for the image classification task on both MNIST and FMNIST datasets. To enhance the robustness of QuNNs, we developed a novel methodology that utilizes three quantum circuit metrics: expressibility, entanglement capability, and controlled rotation gate selection. Our analysis shows that these metrics significantly influence data representation within the Hilbert space, thereby directly affecting QuNN robustness. We rigorously established that circuits with higher expressibility and lower entanglement capability generally exhibit enhanced robustness under adversarial conditions, particularly at low-spectrum perturbation strengths where most attacks occur. Furthermore, our findings challenge the prevailing assumption that expressibility alone dictates circuit robustness; instead, we demonstrate that the inclusion of controlled rotation gates around the Z-axis generally enhances the resilience of QuNNs. Our results demonstrate that QuNNs exhibit up to 60% greater robustness on the MNIST dataset and 40% on the Fashion-MNIST dataset compared to CNNs. Collectively, our work elucidates the relationship between quantum circuit metrics and robust data feature extraction, advancing the field by improving the adversarial robustness of QuNNs.
• Abstract（参考訳）: 本研究では,MNISTデータセットとFMNISTデータセットのイメージ分類タスクにおいて,従来の畳み込みニューラルネットワーク(CNN)と比較して,FGSMとPGDの2つの敵攻撃に対する堅牢性を検討した。 QuNNのロバスト性を高めるために,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。 分析の結果,これらの指標はヒルベルト空間内のデータ表現に大きく影響し,QuNNのロバスト性に直接影響を及ぼすことがわかった。 高い表現性および低い絡み合い能力を有する回路は、通常、対向条件下、特にほとんどの攻撃が発生した低スペクトル摂動強度において、強靭性を示すことを厳格に証明した。 さらに,Z軸周辺に制御された回転ゲートが組み込まれていることにより,QuNNのレジリエンスが向上することが実証された。 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。 本研究は,量子回路メトリクスとロバストなデータ特徴抽出の関係を総合的に解明し,QuNNの対角的ロバスト性を向上させることにより,フィールドを推し進める。

関連論文リスト

• Physical Rule-Guided Convolutional Neural Network [0.0]
  物理誘導ニューラルネットワーク(PGNN)は、科学原理と現実世界の知識を統合することで限界に対処する。 本稿では,動的,トレーニング可能,自動化されたLCM生成ルールをカスタムレイヤとして組み込んだ物理誘導型CNN(PGCNN)アーキテクチャを提案する。 PGCNNは複数のデータセットで評価され、ベースラインCNNモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-03T17:32:35Z)
• RSC-SNN: Exploring the Trade-off Between Adversarial Robustness and Accuracy in Spiking Neural Networks via Randomized Smoothing Coding [17.342181435229573]
  スパイキングニューラルネットワーク(SNN)は、そのユニークな神経力学と低出力の性質により、広く注目を集めている。 以前の研究では、Poissonコーディングを持つSNNは、小規模データセット上のArtificial Neural Networks(ANN)よりも堅牢であることが実証されている。 この研究は理論上、SNNの固有の対向ロバスト性はポアソン符号に由来することを証明している。
  論文  参考訳（メタデータ） (2024-07-29T15:26:15Z)
• RobQuNNs: A Methodology for Robust Quanvolutional Neural Networks against Adversarial Attacks [3.9554540293311864]
  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。
  論文  参考訳（メタデータ） (2024-07-04T12:13:52Z)
• 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)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• 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)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)
• Batch Normalization Increases Adversarial Vulnerability and Decreases Adversarial Transferability: A Non-Robust Feature Perspective [91.5105021619887]
  バッチ正規化(BN)は、現代のディープニューラルネットワーク(DNN)で広く使われている。 BNは、対向ロバスト性を犠牲にしてモデル精度を高めることが観察された。 BNが主にロバスト特徴(RF)と非ロバスト特徴(NRF)の学習を好んでいるかどうかは不明である。
  論文  参考訳（メタデータ） (2020-10-07T10:24:33Z)

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。