論文の概要: Quantum Quandaries: Unraveling Encoding Vulnerabilities in Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2502.01486v1
- Date: Mon, 03 Feb 2025 16:21:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:56:24.251974
- Title: Quantum Quandaries: Unraveling Encoding Vulnerabilities in Quantum Neural Networks
- Title（参考訳）: 量子クォンダリー:量子ニューラルネットワークにおける符号化脆弱性の解明
- Authors: Suryansh Upadhyay, Swaroop Ghosh,
- Abstract要約: この研究は、量子クラウド環境の敵がQMLモデルへのホワイトボックスアクセスを活用できることを実証している。
95%の時間、符号化が正しく予測可能であることを報告した。
この脅威を軽減するために,指紋を隠蔽する一過性の難読化層を提案する。
- 参考スコア（独自算出の注目度）: 2.348041867134616
- License:
- Abstract: Quantum computing (QC) has the potential to revolutionize fields like machine learning, security, and healthcare. Quantum machine learning (QML) has emerged as a promising area, enhancing learning algorithms using quantum computers. However, QML models are lucrative targets due to their high training costs and extensive training times. The scarcity of quantum resources and long wait times further exacerbate the challenge. Additionally, QML providers may rely on third party quantum clouds for hosting models, exposing them and their training data to potential threats. As QML as a Service (QMLaaS) becomes more prevalent, reliance on third party quantum clouds poses a significant security risk. This work demonstrates that adversaries in quantum cloud environments can exploit white box access to QML models to infer the users encoding scheme by analyzing circuit transpilation artifacts. The extracted data can be reused for training clone models or sold for profit. We validate the proposed attack through simulations, achieving high accuracy in distinguishing between encoding schemes. We report that 95% of the time, the encoding can be predicted correctly. To mitigate this threat, we propose a transient obfuscation layer that masks encoding fingerprints using randomized rotations and entanglement, reducing adversarial detection to near random chance 42% , with a depth overhead of 8.5% for a 5 layer QNN design.
- Abstract（参考訳）: 量子コンピューティング(QC)は、マシンラーニングやセキュリティ、ヘルスケアといった分野に革命をもたらす可能性がある。
量子機械学習(QML)は将来性のある分野として登場し、量子コンピュータを用いた学習アルゴリズムを強化している。
しかし、QMLモデルは、高いトレーニングコストと広範なトレーニング時間のために、利益のターゲットとなっている。
量子資源の不足と長い待ち時間により、この課題はさらに悪化する。
さらに、QMLプロバイダは、モデルをホストするためにサードパーティの量子クラウドを頼りにし、それらのトレーニングデータから潜在的な脅威にさらされる可能性がある。
QML as a Service(QMLaaS)がより普及するにつれて、サードパーティの量子クラウドへの依存は重大なセキュリティリスクをもたらす。
この研究は、量子クラウド環境の敵がQMLモデルへのホワイトボックスアクセスを利用して、回路のトランスパイレーションアーティファクトを解析してユーザエンコーディングスキームを推測できることを実証する。
抽出したデータは、クローンモデルをトレーニングするために再利用したり、利益のために販売することができる。
提案手法をシミュレーションにより検証し,符号化方式の区別において高い精度を実現する。
95%の時間、符号化が正しく予測可能であることを報告した。
この脅威を軽減するために,ランダムな回転と絡み合いを用いて指紋の符号化をマスクする過渡難読化層を提案する。
関連論文リスト
- Adversarial Poisoning Attack on Quantum Machine Learning Models [2.348041867134616]
量子無差別データ中毒攻撃(QUID)を導入する。
QUIDはベースラインモデルと比較して、モデル性能の最大92%の精度劣化を達成している。
また、QUIDを最先端のクラシックディフェンスに対してテストし、精度の低下は50ドルを超えました。
論文 参考訳（メタデータ） (2024-11-21T18:46:45Z) - AI-driven Reverse Engineering of QML Models [2.348041867134616]
最も差し迫ったリスクの1つは、悪意のあるアクターによるリバースエンジニアリング(RE)の可能性である。
我々は、信頼できないサードパーティベンダーにデプロイされたトランスパイルされたQMLモデルからパラメータを抽出するオートエンコーダベースのアプローチを導入する。
論文 参考訳（メタデータ） (2024-08-29T22:08:07Z) - Quantum Data Breach: Reusing Training Dataset by Untrusted Quantum Clouds [2.348041867134616]
量子クラウドの敵は、トレーニング中にQMLモデルのホワイトボックスアクセスを使用してラベルを抽出できることを示す。
抽出したトレーニングデータは、クローンモデルをトレーニングするために再利用したり、利益のために販売することができる。
本稿では,誤りラベルを抽出し,修正するための一連の手法を提案する。
論文 参考訳（メタデータ） (2024-07-19T22:06:34Z) - The Quantum Imitation Game: Reverse Engineering of Quantum Machine Learning Models [2.348041867134616]
量子機械学習(QML)は、機械学習モデルと量子コンピューティングのパラダイムを融合させる。
量子コンピューティングのNoisy Intermediate-Scale Quantum(NISQ)時代における多くのサードパーティベンダーの拡大により、QMLモデルのセキュリティが最重要となる。
我々は、信頼できない量子クラウドプロバイダが、推論中にトランスパイルされたユーザ設計のトレーニングされたQMLモデルにホワイトボックスアクセスを持つ敵であると仮定する。
論文 参考訳（メタデータ） (2024-07-09T21:35:19Z) - PristiQ: A Co-Design Framework for Preserving Data Security of Quantum Learning in the Cloud [7.87660609586004]
クラウドコンピューティングは量子機械学習(QML)においてデータ漏洩のリスクが高い
本稿では,QMLのデータセキュリティをQパラダイム,すなわちPristiQで保護するための協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-20T22:03:32Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - 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) - 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) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。