論文の概要: Detection of Physiological Data Tampering Attacks with Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2502.05966v1
• Date: Sun, 09 Feb 2025 17:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:33:55.142451
• Title: Detection of Physiological Data Tampering Attacks with Quantum Machine Learning
• Title（参考訳）: 量子機械学習による生理的データ改ざん攻撃の検出
• Authors: Md. Saif Hassan Onim, Himanshu Thapliyal,
• Abstract要約: 本研究では,QML(Quantum Machine Learning)による生理的データ改ざん検出の有効性を比較した。 QMLモデルはラベルフリップ攻撃を識別し、データや攻撃の重大さに応じて75%-95%の精度を達成する。 しかし、QMLモデルと古典モデルの両方は、より洗練された対向的摂動攻撃を検出するのに苦労している。
• 参考スコア（独自算出の注目度）: 0.4604003661048266
• License:
• Abstract: The widespread use of cloud-based medical devices and wearable sensors has made physiological data susceptible to tampering. These attacks can compromise the reliability of healthcare systems which can be critical and life-threatening. Detection of such data tampering is of immediate need. Machine learning has been used to detect anomalies in datasets but the performance of Quantum Machine Learning (QML) is still yet to be evaluated for physiological sensor data. Thus, our study compares the effectiveness of QML for detecting physiological data tampering, focusing on two types of white-box attacks: data poisoning and adversarial perturbation. The results show that QML models are better at identifying label-flipping attacks, achieving accuracy rates of 75%-95% depending on the data and attack severity. This superior performance is due to the ability of quantum algorithms to handle complex and high-dimensional data. However, both QML and classical models struggle to detect more sophisticated adversarial perturbation attacks, which subtly alter data without changing its statistical properties. Although QML performed poorly against this attack with around 45%-65% accuracy, it still outperformed classical algorithms in some cases.
• Abstract（参考訳）: クラウドベースの医療機器やウェアラブルセンサーの普及により、生理的データが改ざんしやすくなっている。 これらの攻撃は、重大かつ致命的な医療システムの信頼性を損なう可能性がある。 このようなデータの改ざんを検出することは即時必要である。 機械学習はデータセットの異常を検出するために使われてきたが、QML(Quantum Machine Learning)の性能はまだ生理学的センサーデータとして評価されていない。 そこで本研究では, 生理的データ改ざんに対するQMLの有効性を比較検討し, データ中毒と逆行性摂動の2つのタイプに着目した。 その結果、QMLモデルはラベルフリップ攻撃を識別し、データや攻撃重大度に応じて75%-95%の精度を達成することができることがわかった。 この優れた性能は、複雑で高次元のデータを扱う量子アルゴリズムの能力に起因している。 しかし、QMLモデルと古典モデルの両方では、統計特性を変化させることなく微妙にデータを変化させる、より洗練された対向的摂動攻撃を検出するのに苦労している。 QMLは45%から65%の精度でこの攻撃に対して性能は良くなかったが、一部のケースでは従来のアルゴリズムよりも優れていた。

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)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Can We Enhance the Quality of Mobile Crowdsensing Data Without Ground Truth? [45.875832406278214]
  本稿では,予測と評価に基づく真理発見フレームワークを提案する。 センシングタスクにおいて、低品質のデータを高品質のデータから分離することができる。 これは、識別精度とデータ品質向上の観点から、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-05-29T03:16:12Z)
• A Review and Implementation of Object Detection Models and Optimizations for Real-time Medical Mask Detection during the COVID-19 Pandemic [0.0]
  この研究は、Common Objects in Context(COCO)データセット上で最も基本的なオブジェクト検出モデルを評価する。 我々は、医療マスクを用いた人間の顔の話題的、未探索のデータセットをトレーニングするために、YOLOv5と呼ばれる非常に効率的なモデルを選択した。 医療用マスクの正確な検出に移動学習を用いたYOLOv5に基づく最適化モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-28T17:27:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Exploring the Vulnerabilities of Machine Learning and Quantum Machine Learning to Adversarial Attacks using a Malware Dataset: A Comparative Analysis [0.0]
  機械学習(ML)と量子機械学習(QML)は、複雑な問題に対処する上で大きな可能性を示している。 敵攻撃に対する感受性は、これらのシステムをセキュリティに敏感なアプリケーションにデプロイする際の懸念を引き起こす。 本稿では,マルウェアデータセットを用いた敵攻撃に対するMLモデルとQNNモデルの脆弱性の比較分析を行う。
  論文  参考訳（メタデータ） (2023-05-31T06:31:42Z)
• Effect of Balancing Data Using Synthetic Data on the Performance of Machine Learning Classifiers for Intrusion Detection in Computer Networks [3.233545237942899]
  アカデミックと産業の研究者たちは、コンピュータネットワークのための侵入検知システム(IDSe)の設計と実装に機械学習(ML)技術を使用した。 このようなシステムで使用される多くのデータセットでは、データは不均衡である(つまり、すべてのクラスが同じ量のサンプルを持っているわけではない)。 また,CTGANが生成した合成試料とバランスの取れたデータセット上でのMLモデルのトレーニングにより,予測精度が最大8%向上した。
  論文  参考訳（メタデータ） (2022-04-01T00:25:11Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Attack-agnostic Adversarial Detection on Medical Data Using Explainable Machine Learning [0.0]
  本論文では,2つのデータセット上での対比サンプルの正確な検出のためのモデル非依存説明性に基づく手法を提案する。 MIMIC-IIIとHenan-Renmin EHRのデータセットでは,縦軸攻撃に対する検出精度は77%であった。 MIMIC-CXRデータセットでは88%の精度を実現し、すべての設定において、両方のデータセットにおける敵検出技術の現状を10%以上改善した。
  論文  参考訳（メタデータ） (2021-05-05T10:01:53Z)

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。