論文の概要: Quantum Properties Trojans (QuPTs) for Attacking Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2507.08202v1
• Date: Thu, 10 Jul 2025 22:23:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.191007
• Title: Quantum Properties Trojans (QuPTs) for Attacking Quantum Neural Networks
• Title（参考訳）: 量子ニューラルネットワーク攻撃のための量子特性トロイの木馬(QuPT)
• Authors: Sounak Bhowmik, Travis S. Humble, Himanshu Thapliyal,
• Abstract要約: 量子ニューラルネットワーク(QNN)は量子機械学習(QML)の将来への大きな可能性を秘めている 我々はQNNベースのバイナリ分類器における量子コンピューティング特性に基づく新しいトロイの木馬攻撃を提案する。 私たちの知る限りでは、これは、あらゆるハイブリッド古典量子アーキテクチャに依存しない完全な量子ニューラルネットワークに対するトロイの木馬攻撃に関する最初の研究である。
• 参考スコア（独自算出の注目度）: 0.5188841610098435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum neural networks (QNN) hold immense potential for the future of quantum machine learning (QML). However, QNN security and robustness remain largely unexplored. In this work, we proposed novel Trojan attacks based on the quantum computing properties in a QNN-based binary classifier. Our proposed Quantum Properties Trojans (QuPTs) are based on the unitary property of quantum gates to insert noise and Hadamard gates to enable superposition to develop Trojans and attack QNNs. We showed that the proposed QuPTs are significantly stealthier and heavily impact the quantum circuits' performance, specifically QNNs. The most impactful QuPT caused a deterioration of 23% accuracy of the compromised QNN under the experimental setup. To the best of our knowledge, this is the first work on the Trojan attack on a fully quantum neural network independent of any hybrid classical-quantum architecture.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、量子機械学習(QML)の将来に大きな可能性を秘めている。 しかし、QNNのセキュリティと堅牢性はほとんど未調査のままである。 本研究では,QNNに基づくバイナリ分類器における量子コンピューティング特性に基づく新しいトロイの木馬攻撃を提案する。 提案するQuantum Properties Trojans (QuPTs) は、雑音を挿入する量子ゲートとアダマールゲートのユニタリ特性に基づいて、重ね合わせによりトロイの木を開発し、QNNを攻撃する。 提案したQuPTはよりステルス性が高く、量子回路の性能、特にQNNに大きく影響を及ぼすことを示した。 最も影響の大きいQuPTは、実験装置において、妥協されたQNNの精度を23%低下させた。 私たちの知る限りでは、これは、あらゆるハイブリッド古典量子アーキテクチャに依存しない完全な量子ニューラルネットワークに対するトロイの木馬攻撃に関する最初の研究である。

関連論文リスト

• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• Backdoor Attacks against Hybrid Classical-Quantum Neural Networks [11.581538622210896]
  ハイブリッド量子ニューラルネットワーク(HQNN)は量子機械学習(QML)における将来性を示す HQNNに対するバックドア攻撃に関する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2024-07-23T08:25:34Z)
• 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)
• QDoor: Exploiting Approximate Synthesis for Backdoor Attacks in Quantum Neural Networks [7.191064733894878]
  量子ニューラルネットワーク(QNN)は、オブジェクト認識、自然言語処理、財務分析に成功している。 近似合成は、エラーを起こしやすい2量子ビット量子ゲートを減らすことでQNN回路を変更する。 ほぼ合成されたQNN回路において高い攻撃成功率を達成するために,新規でステルスなバックドア攻撃であるQDoorを提案する。
  論文  参考訳（メタデータ） (2023-07-13T18:26:19Z)
• 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)
• QTrojan: A Circuit Backdoor Against Quantum Neural Networks [7.159964195773199]
  回路レベルのバックドア攻撃であるtextitQTrojan を量子ニューラルネットワーク (QNN) に対して提案する。 QTrojanは、被害者QNNの変動量子回路に挿入される少数の量子ゲートによって実装される。
  論文  参考訳（メタデータ） (2023-02-16T05:06:10Z)
• 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)
• Evaluating the performance of sigmoid quantum perceptrons in quantum neural networks [0.0]
  量子機械学習のための有望なアーキテクチャとして量子ニューラルネットワーク(QNN)が提案されている。 1つの候補は古典的パーセプトロンの非線形活性化関数をエミュレートするために設計された量子パーセプトロンである。 本稿では,SQPネットワークの性能と性能を,その有効次元と有効容量の計算によって評価する。
  論文  参考訳（メタデータ） (2022-08-12T10:08:11Z)
• Entanglement entropy production in Quantum Neural Networks [0.0]
  量子ニューラルネットワーク(QNN)は、ノイズ中間量子コンピュータ(NISQ)時代に量子優位性を達成するための候補と考えられている。 任意のQNNアーキテクチャにおいて、絡み合いが生成される速度に対して、普遍的な振舞いを示す。 本稿では,QNNにおける絡み合い生成を特徴付ける新しい指標として,絡み合いの速度について紹介する。
  論文  参考訳（メタデータ） (2022-06-06T10:17:17Z)
• An Evolutionary Pathway for the Quantum Internet Relying on Secure Classical Repeaters [64.48099252278821]
  我々は、セキュアな古典的リピータと量子セキュアな直接通信原理を組み合わせた量子ネットワークを考案する。 これらのネットワークでは、量子耐性アルゴリズムから引き出された暗号文を、ノードに沿ってQSDCを用いて送信する。 我々は,セキュアな古典的リピータに基づくハイブリッド量子ネットワークの実証実験を行った。
  論文  参考訳（メタデータ） (2022-02-08T03:24:06Z)
• 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。