論文の概要: Q-Detection: A Quantum-Classical Hybrid Poisoning Attack Detection Method
- arxiv url: http://arxiv.org/abs/2507.06262v1
- Date: Mon, 07 Jul 2025 18:43:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.327028
- Title: Q-Detection: A Quantum-Classical Hybrid Poisoning Attack Detection Method
- Title（参考訳）: Q-detection: 量子古典的ハイブリッドポジショニング検出法
- Authors: Haoqi He, Xiaokai Lin, Jiancai Chen, Yan Xiao,
- Abstract要約: データ中毒攻撃は、機械学習モデルに重大な脅威をもたらす。
本稿では,量子古典的ハイブリッド防御法であるQ-Detectionを提案する。
Q-Detectionは量子コンピューティングデバイスで最適化されたQ-WANも導入している。
- 参考スコア（独自算出の注目度）: 1.9914441103508185
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Data poisoning attacks pose significant threats to machine learning models by introducing malicious data into the training process, thereby degrading model performance or manipulating predictions. Detecting and sifting out poisoned data is an important method to prevent data poisoning attacks. Limited by classical computation frameworks, upcoming larger-scale and more complex datasets may pose difficulties for detection. We introduce the unique speedup of quantum computing for the first time in the task of detecting data poisoning. We present Q-Detection, a quantum-classical hybrid defense method for detecting poisoning attacks. Q-Detection also introduces the Q-WAN, which is optimized using quantum computing devices. Experimental results using multiple quantum simulation libraries show that Q-Detection effectively defends against label manipulation and backdoor attacks. The metrics demonstrate that Q-Detection consistently outperforms the baseline methods and is comparable to the state-of-the-art. Theoretical analysis shows that Q-Detection is expected to achieve more than a 20% speedup using quantum computing power.
- Abstract（参考訳）: データ中毒攻撃は、トレーニングプロセスに悪意のあるデータを導入し、モデルのパフォーマンスを低下させ、予測を操作することによって、機械学習モデルに重大な脅威をもたらす。
有毒データの検出と除去は、データ中毒攻撃を防ぐ重要な方法である。
古典的な計算フレームワークによって制限された、より大規模で複雑なデータセットは、検出に困難をもたらす可能性がある。
データ中毒を検出するタスクにおいて、量子コンピューティングのユニークなスピードアップを初めて紹介する。
本稿では,量子古典的ハイブリッド防御法であるQ-Detectionを提案する。
Q-Detectionは量子コンピューティングデバイスで最適化されたQ-WANも導入している。
複数の量子シミュレーションライブラリを用いた実験結果から,Q-Detectionはラベル操作やバックドア攻撃に対して効果的に防御可能であることが示された。
これらの指標は、Q-Detectionがベースラインメソッドを一貫して上回り、最先端技術に匹敵することを示している。
理論的解析により、Q検出は量子コンピューティングパワーを用いて20%以上のスピードアップを達成することが期待されている。
関連論文リスト
- Detection of Physiological Data Tampering Attacks with Quantum Machine Learning [0.4604003661048266]
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。
論文 参考訳（メタデータ） (2025-02-09T17:26:41Z) - Backdoor Attacks against No-Reference Image Quality Assessment Models via a Scalable Trigger [76.36315347198195]
No-Reference Image Quality Assessment (NR-IQA) はコンピュータビジョンシステムの評価と最適化において重要な役割を果たしている。
近年の研究では、NR-IQAモデルが敵攻撃の影響を受けやすいことが示されている。
NR-IQA(BAIQA)に対する新規中毒性バックドアアタックを報告した。
論文 参考訳（メタデータ） (2024-12-10T08:07:19Z) - Adversarial Data Poisoning Attacks on Quantum Machine Learning in the NISQ Era [2.348041867134616]
量子機械学習(QML)ドメインにおける重要な関心事は、現在の量子クラウド設定におけるデータ中毒攻撃の脅威である。
本研究ではまず,符号化回路の出力を分析することで,クラス内エンコーダ状態類似度(ESS)を簡易かつ効果的に測定する手法を提案する。
ノイズのない環境とノイズの多い環境の両方で行われた広範な実験を通じて、我々は、UnderlineQuantum UnderlineIndiscriminate UnderlineData Poisoning attack, QUIDを紹介した。
論文 参考訳（メタデータ） (2024-11-21T18:46:45Z) - QML-IDS: Quantum Machine Learning Intrusion Detection System [1.2016264781280588]
本稿では量子コンピューティングと古典コンピューティングを組み合わせた新しい侵入検知システムQML-IDSを提案する。
QML-IDSはQuantum Machine Learning(QML)手法を用いてネットワークパターンを分析し、攻撃活動を検出する。
我々は,QML-IDSが攻撃検出に有効であることを示し,バイナリおよびマルチクラス分類タスクで良好に動作することを示す。
論文 参考訳（メタデータ） (2024-10-07T13:07:41Z) - FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning
Attacks in Federated Learning [98.43475653490219]
フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。
FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。
FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
論文 参考訳（メタデータ） (2023-12-07T16:56:24Z) - 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) - Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。
暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。
我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
論文 参考訳（メタデータ） (2023-06-06T14:45:24Z) - Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。
最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。
我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文 参考訳（メタデータ） (2023-06-06T08:06:43Z) - 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) - 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) - Analysis and Detectability of Offline Data Poisoning Attacks on Linear
Dynamical Systems [0.30458514384586405]
統計検査のレンズを用いて最小二乗推定値に有毒が及ぼす影響について検討した。
古典的な統計的テストから逃れることのできる最小二乗推定器に対するステルスデータ中毒攻撃を提案する。
論文 参考訳（メタデータ） (2022-11-16T10:01:03Z) - Using Anomaly Detection to Detect Poisoning Attacks in Federated Learning Applications [3.1698141437031393]
毒殺などの敵対的な攻撃は多くの機械学習研究者の注目を集めている。
伝統的に、毒殺攻撃は訓練されたモデルを操作するために敵の訓練データを注入しようとする。
フェデレートラーニング(FL)において、データ中毒攻撃は、検出器による局所的な訓練データにアクセスできないため、より単純な方法では検出できない毒攻撃をモデル化するために一般化することができる。
本研究では,FLにおける有害な攻撃を検出するための新しい枠組みを提案する。このフレームワークは,公開データセットと監査者モデルに基づく参照モデルを用いて,悪意のある更新を検知する。
論文 参考訳（メタデータ） (2022-07-18T10:10:45Z)
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。