論文の概要: Quantum-Hybrid Support Vector Machines for Anomaly Detection in Industrial Control Systems

• arxiv url: http://arxiv.org/abs/2506.17824v1
• Date: Sat, 21 Jun 2025 21:37:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.602104
• Title: Quantum-Hybrid Support Vector Machines for Anomaly Detection in Industrial Control Systems
• Title（参考訳）: 産業制御システムにおける異常検出のための量子ハイブリッド支持ベクトルマシン
• Authors: Tyler Cultice, Md. Saif Hassan Onim, Annarita Giani, Himanshu Thapliyal,
• Abstract要約: 本研究では,CPS(Cyber-Physical Systems)の3つの一般的なデータセットを用いた量子ハイブリッド支援ベクトルマシン(QSVM)のパラメータ化に焦点を当てた。 その結果、QSVMは従来のカーネルメソッドよりも優れており、F1スコアは13.3%高い。 この取り組みは、QSVMがICSの異常検出において大きなアドバンテージを提供し、最終的に重要なインフラストラクチャのセキュリティと整合性を高めることを示唆している。
• 参考スコア（独自算出の注目度）: 0.3749861135832072
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensitive data captured by Industrial Control Systems (ICS) play a large role in the safety and integrity of many critical infrastructures. Detection of anomalous or malicious data, or Anomaly Detection (AD), with machine learning is one of many vital components of cyberphysical security. Quantum kernel-based machine learning methods have shown promise in identifying complex anomalous behavior by leveraging the highly expressive and efficient feature spaces of quantum computing. This study focuses on the parameterization of Quantum Hybrid Support Vector Machines (QSVMs) using three popular datasets from Cyber-Physical Systems (CPS). The results demonstrate that QSVMs outperform traditional classical kernel methods, achieving 13.3% higher F1 scores. Additionally, this research investigates noise using simulations based on real IBMQ hardware, revealing a maximum error of only 0.98% in the QSVM kernels. This error results in an average reduction of 1.57% in classification metrics. Furthermore, the study found that QSVMs show a 91.023% improvement in kernel-target alignment compared to classical methods, indicating a potential "quantum advantage" in anomaly detection for critical infrastructures. This effort suggests that QSVMs can provide a substantial advantage in anomaly detection for ICS, ultimately enhancing the security and integrity of critical infrastructures.
• Abstract（参考訳）: 産業制御システム(ICS)が捉えた感度データは、多くの重要なインフラの安全性と整合性に大きな役割を果たしている。 異常または悪意のあるデータ、または異常検出(AD)を機械学習で検出することは、サイバー物理セキュリティにおいて重要な要素の1つである。 量子カーネルベースの機械学習手法は、量子コンピューティングの非常に表現力が高く効率的な特徴空間を活用することで、複雑な異常な振る舞いを特定することを約束している。 本研究では,CPS(Cyber-Physical Systems)の3つの一般的なデータセットを用いて,量子ハイブリッド支援ベクトルマシン(QSVM)のパラメータ化に焦点を当てた。 その結果、QSVMは従来のカーネルメソッドよりも優れており、F1スコアは13.3%高かった。 さらに,本研究では,実際の IBMQ ハードウェアをベースとしたシミュレーションにより,QSVM カーネルの最大誤差が 0.98% であることを示す。 このエラーにより、分類基準の平均1.57%が減少する。 さらに、QSVMは古典的な手法と比較してカーネルとターゲットのアライメントが91.023%改善しており、重要なインフラの異常検出において「量子優位性」の可能性を示している。 この取り組みは、QSVMがICSの異常検出において大きなアドバンテージを提供し、最終的に重要なインフラストラクチャのセキュリティと整合性を高めることを示唆している。

関連論文リスト

• Quantum Support Vector Regression for Robust Anomaly Detection [0.0]
  異常検出(AD)は、特にITセキュリティの領域において、データ分析において重要である。 本研究では、量子MLアプローチ、特に量子カーネル法の可能性について検討し、ロバストADへの応用について述べる。
  論文  参考訳（メタデータ） (2025-05-02T05:23:34Z)
• Anomaly Detection for Real-World Cyber-Physical Security using Quantum Hybrid Support Vector Machines [0.3749861135832072]
  サイバー攻撃のような異常なデータは、インフラと人間のオペレーターの安全を著しく危険にさらしている。 量子の異常検出への応用は、物理的センサーデータにおけるサイバー攻撃の識別を大幅に改善することができる。 我々は,8量子ビット16量子カーネルを用いて,F-1スコア0.86,精度87%のHAI CPSデータセットを示す。
  論文  参考訳（メタデータ） (2024-09-08T00:15:30Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Noisy Quantum Kernel Machines [58.09028887465797]
  量子学習マシンの新たなクラスは、量子カーネルのパラダイムに基づくものである。 消散と脱コヒーレンスがパフォーマンスに与える影響について検討する。 量子カーネルマシンでは,デコヒーレンスや散逸を暗黙の正規化とみなすことができる。
  論文  参考訳（メタデータ） (2022-04-26T09:52:02Z)
• Quantum circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)

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。