論文の概要: Watermarking Quantum Neural Networks Based on Sample Grouped and Paired Training
- arxiv url: http://arxiv.org/abs/2506.12675v1
- Date: Sun, 15 Jun 2025 01:04:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:46.687783
- Title: Watermarking Quantum Neural Networks Based on Sample Grouped and Paired Training
- Title(参考訳): サンプルグループとペアトレーニングに基づく透かし量子ニューラルネットワーク
- Authors: Limengnan Zhou, Hanzhou Wu,
- Abstract要約: 量子ニューラルネットワーク(QNN)は量子コンピューティングを活用し、強力で効率的な人工知能モデルを作成する。
QNNの知的財産権(IP)を保護する方法は、量子コンピューティングの時代において解決すべき緊急の問題となっている。
ウォーターマーキングによるQNNのIP保護に向けた最初の試みを行う。
- 参考スコア(独自算出の注目度): 10.363612241019652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum neural networks (QNNs) leverage quantum computing to create powerful and efficient artificial intelligence models capable of solving complex problems significantly faster than traditional computers. With the fast development of quantum hardware technology, such as superconducting qubits, trapped ions, and integrated photonics, quantum computers may become reality, accelerating the applications of QNNs. However, preparing quantum circuits and optimizing parameters for QNNs require quantum hardware support, expertise, and high-quality data. How to protect intellectual property (IP) of QNNs becomes an urgent problem to be solved in the era of quantum computing. We make the first attempt towards IP protection of QNNs by watermarking. To this purpose, we collect classical clean samples and trigger ones, each of which is generated by adding a perturbation to a clean sample, associated with a label different from the ground-truth one. The host QNN, consisting of quantum encoding, quantum state transformation, and quantum measurement, is then trained from scratch with the clean samples and trigger ones, resulting in a watermarked QNN model. During training, we introduce sample grouped and paired training to ensure that the performance on the downstream task can be maintained while achieving good performance for watermark extraction. When disputes arise, by collecting a mini-set of trigger samples, the hidden watermark can be extracted by analyzing the prediction results of the target model corresponding to the trigger samples, without accessing the internal details of the target QNN model, thereby verifying the ownership of the model. Experiments have verified the superiority and applicability of this work.
- Abstract(参考訳): 量子ニューラルネットワーク(QNN)は量子コンピューティングを活用し、従来のコンピュータよりもはるかに高速に複雑な問題を解くことができる強力で効率的な人工知能モデルを作成する。
超伝導量子ビット、閉じ込められたイオン、集積フォトニクスなどの量子ハードウェア技術の急速な発展により、量子コンピュータは現実となり、QNNの応用が加速する。
しかし、量子回路の作成とQNNのパラメータの最適化には、量子ハードウェアのサポート、専門知識、高品質なデータが必要である。
QNNの知的財産権(IP)を保護する方法は、量子コンピューティングの時代において解決すべき緊急の問題となっている。
ウォーターマーキングによるQNNのIP保護に向けた最初の試みを行う。
そこで本研究では,従来のクリーンサンプルの収集とトリガーを行い,各サンプルに摂動を加えて生成する。
ホストQNNは量子符号化、量子状態変換、量子測定で構成され、クリーンなサンプルとトリガーでスクラッチからトレーニングされ、透かし付きQNNモデルとなる。
トレーニング中,サンプルグループとペアトレーニングを導入し,下流タスクのパフォーマンスを維持できるとともに,透かし抽出の性能も良好であることを示す。
紛争が発生すると、トリガーサンプルのミニセットを収集することにより、ターゲットQNNモデルの内部の詳細にアクセスすることなく、トリガーサンプルに対応するターゲットモデルの予測結果を分析して、隠れた透かしを抽出し、モデルのオーナシップを検証する。
実験により、この研究の優位性と適用性が確認された。
関連論文リスト
- Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints [2.3895835682351287]
量子畳み込みニューラルネットワーク(CNN)は、古典的アプローチを上回る可能性を秘めている。
本稿では,入力次元を大幅に削減する符号化方式を提案する。
我々はIBMのHeron r2量子プロセッサの実験を検証し、分類精度は96.08%である。
論文 参考訳(メタデータ) (2025-05-09T11:09:52Z) - A Coverage-Guided Testing Framework for Quantum Neural Networks [1.7101498519540597]
量子ニューラルネットワーク(QNN)は、量子コンピューティングとニューラルネットワークを組み合わせて機械学習モデルを改善する。
本稿では,QNNの状態探索を体系的に評価するために,QNNを対象としたテストカバレッジ基準のセットであるQCovを提案する。
論文 参考訳(メタデータ) (2024-11-03T08:07:27Z) - QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。
QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。
QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
論文 参考訳(メタデータ) (2024-02-20T12:11:28Z) - 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) - Variational Quantum Neural Networks (VQNNS) in Image Classification [0.0]
本稿では,量子最適化アルゴリズムを用いて量子ニューラルネットワーク(QNN)のトレーニングを行う方法について検討する。
本稿では、変分量子ニューラルネットワーク(VQNN)と呼ばれる入力層として、変分パラメータ化回路を組み込んだQNN構造を作成する。
VQNNは、MNIST桁認識(複雑でない)とクラック画像分類データセットで実験され、QNNよりも少ない時間で、適切なトレーニング精度で計算を収束させる。
論文 参考訳(メタデータ) (2023-03-10T11:24:32Z) - 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) - 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) - Toward Trainability of Quantum Neural Networks [87.04438831673063]
量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。
QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。
木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
論文 参考訳(メタデータ) (2020-11-12T08:32:04Z) - 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。