Fugu-MT 論文翻訳(概要): Classical Autoencoder Distillation of Quantum Adversarial Manipulations

論文の概要: Classical Autoencoder Distillation of Quantum Adversarial Manipulations

arxiv url: http://arxiv.org/abs/2504.09216v1
Date: Sat, 12 Apr 2025 13:51:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-15 16:51:07.978850
Title: Classical Autoencoder Distillation of Quantum Adversarial Manipulations
Title（参考訳）: 量子逆数操作の古典的自己エンコーダ蒸留
Authors: Amena Khatun, Muhammad Usman,
Abstract要約: 本稿では,古典的オートエンコーダを用いた量子演算画像データセットの蒸留技術について報告する。我々の研究は、古典的シナリオと量子的シナリオの両方において、完全に堅牢な量子機械学習を実現するための有望な経路を強調している。
参考スコア（独自算出の注目度）: 1.4598877063396687
License:
Abstract: Quantum neural networks have been proven robust against classical adversarial attacks, but their vulnerability against quantum adversarial attacks is still a challenging problem. Here we report a new technique for the distillation of quantum manipulated image datasets by using classical autoencoders. Our technique recovers quantum classifier accuracies when tested under standard machine learning benchmarks utilising MNIST and FMNIST image datasets, and PGD and FGSM adversarial attack settings. Our work highlights a promising pathway to achieve fully robust quantum machine learning in both classical and quantum adversarial scenarios.
Abstract（参考訳）: 量子ニューラルネットワークは古典的な敵攻撃に対して堅牢であることが証明されているが、量子敵攻撃に対するその脆弱性は依然として難しい問題である。本稿では,古典的オートエンコーダを用いた量子演算画像データセットの蒸留技術について報告する。本手法は,MNISTとFMNISTの画像データセットとPGDとFGSMの対向攻撃設定を利用して,標準的な機械学習ベンチマークで検証した量子分類器の精度を回復する。我々の研究は、古典的シナリオと量子的シナリオの両方において、完全に堅牢な量子機械学習を実現するための有望な経路を強調している。

関連論文リスト

A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
Hybrid quantum transfer learning for crack image classification on NISQ hardware [62.997667081978825]
グレー値画像のひび割れ検出に量子転送学習を適用した。我々は、PennyLaneの標準量子ビットのパフォーマンスとトレーニング時間を、IBMのqasm_simulatorや実際のバックエンドと比較する。
論文参考訳（メタデータ） (2023-07-31T14:45:29Z)
Exploring Unsupervised Anomaly Detection with Quantum Boltzmann Machines in Fraud Detection [3.955274213382716]
EDR(Restricted Detection and Response)における異常検出は、大企業のサイバーセキュリティプログラムにおいて重要な課題である。この問題に対する古典的な機械学習アプローチは存在するが、悪質な異常と悪質な異常を区別する際の不満足なパフォーマンスをしばしば示している。現在使われている機械学習技術よりも優れた一般化を実現するための有望なアプローチは量子生成モデルである。
論文参考訳（メタデータ） (2023-06-08T07:36:01Z)
Enhancing Quantum Adversarial Robustness by Randomized Encodings [10.059889429655582]
本稿では,正規データサンプルをランダムに符号化することにより,量子学習システムを敵攻撃から保護する手法を提案する。グローバルおよび局所ランダムなユニタリエンコーダの両方が指数関数的に勾配を消失させることを示す。ランダムなブラックボックス量子誤り訂正エンコーダは、量子分類器を局所的な逆雑音から保護できることを示す。
論文参考訳（メタデータ） (2022-12-05T19:00:08Z)
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)
Certified Robustness of Quantum Classifiers against Adversarial Examples through Quantum Noise [68.1992787416233]
量子ランダムな回転雑音を加えることで、敵攻撃に対する量子分類器のロバスト性を向上できることを示す。我々は、量子分類器が敵の例に対して防御できるように、証明された堅牢性を導出する。
論文参考訳（メタデータ） (2022-11-02T05:17:04Z)
Experimental quantum adversarial learning with programmable superconducting qubits [15.24718195264974]
プログラム可能な超伝導量子ビットを用いた量子対数学習の実験実験を行った。本研究は,量子学習システムにおいて,敵対的シナリオ下での重大な脆弱性の側面を実験的に明らかにした。
論文参考訳（メタデータ） (2022-04-04T18:00:00Z)
Quantum Deformed Neural Networks [83.71196337378022]
我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
論文参考訳（メタデータ） (2020-10-21T09:46:12Z)
Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
論文参考訳（メタデータ） (2020-03-20T17:56:14Z)
Quantum Adversarial Machine Learning [0.0]
適応機械学習は、敵の設定における機械学習アプローチの脆弱性の研究に焦点を当てた新興分野である。本稿では,量子機械学習の文脈における様々な逆シナリオについて考察する。ほぼ最先端の精度を達成する量子分類器は、敵の例によって決定的に欺くことができる。
論文参考訳（メタデータ） (2019-12-31T19:00:12Z)

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。