論文の概要: Adversarial Robustness in Distributed Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2508.11848v1
• Date: Sat, 16 Aug 2025 00:01:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.410533
• Title: Adversarial Robustness in Distributed Quantum Machine Learning
• Title（参考訳）: 分散量子機械学習における逆ロバスト性
• Authors: Pouya Kananian, Hans-Arno Jacobsen,
• Abstract要約: 量子機械学習(QML)モデルの敵対的堅牢性の研究は、古典的モデルに対するその潜在的な利点を理解し、信頼できるシステムを構築するために不可欠である。 分散QMLモデルにより、複数の量子プロセッサを活用して、個々のデバイスの制限を克服し、スケーラブルなシステムを構築することができる。 本研究は,これらの分散手法の違いを概観し,各パラダイムを用いた分散におけるQMLモデルの対角的ロバスト性に関する既存のアプローチを要約し,その領域におけるオープンな疑問について論じる。
• 参考スコア（独自算出の注目度）: 10.679753825744964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Studying adversarial robustness of quantum machine learning (QML) models is essential in order to understand their potential advantages over classical models and build trustworthy systems. Distributing QML models allows leveraging multiple quantum processors to overcome the limitations of individual devices and build scalable systems. However, this distribution can affect their adversarial robustness, potentially making them more vulnerable to new attacks. Key paradigms in distributed QML include federated learning, which, similar to classical models, involves training a shared model on local data and sending only the model updates, as well as circuit distribution methods inherent to quantum computing, such as circuit cutting and teleportation-based techniques. These quantum-specific methods enable the distributed execution of quantum circuits across multiple devices. This work reviews the differences between these distribution methods, summarizes existing approaches on the adversarial robustness of QML models when distributed using each paradigm, and discusses open questions in this area.
• Abstract（参考訳）: 量子機械学習(QML)モデルの敵対的堅牢性の研究は、古典的モデルに対する潜在的な優位性を理解し、信頼できるシステムを構築するために不可欠である。 分散QMLモデルにより、複数の量子プロセッサを活用して、個々のデバイスの制限を克服し、スケーラブルなシステムを構築することができる。 しかし、この分布は敵の堅牢性に影響を与える可能性があり、新たな攻撃に対してより脆弱になる可能性がある。 分散QMLの主なパラダイムは、古典的なモデルと同様、ローカルデータ上で共有モデルをトレーニングし、モデル更新のみを送信するフェデレート学習と、回路切断やテレポーテーションベースの技術のような量子コンピューティング固有の回路分散手法である。 これらの量子固有法は、複数のデバイスにまたがる量子回路の分散実行を可能にする。 本研究は,これらの分散手法の違いを概観し,各パラダイムを用いた分散におけるQMLモデルの対角的ロバスト性に関する既存のアプローチを要約し,その領域におけるオープンな疑問について論じる。

関連論文リスト

• Quantum Knowledge Distillation for Large Language Models [10.023534560183919]
  大規模言語モデルのための量子知識蒸留モデル(QD-LLM)を提案する。 古典的シミュレーションでは、QD-LLMは複数のテキスト分類タスクにおいていくつかの主流蒸留法より優れている。 得られた回路をQuafuプラットフォームを介してBaihua超伝導量子プロセッサ上に展開し,実用性を評価する。
  論文  参考訳（メタデータ） (2025-05-19T14:56:24Z)
• Quantum Latent Diffusion Models [65.16624577812436]
  本稿では,古典的潜伏拡散モデルの確立した考え方を活用する量子拡散モデルの潜在的バージョンを提案する。 これには、従来のオートエンコーダを使用してイメージを削減し、次に潜時空間の変動回路で操作する。 この結果は、量子バージョンが生成した画像のより良い測定値を得ることによって証明されたように、量子バージョンを使用することの利点を示している。
  論文  参考訳（メタデータ） (2025-01-19T21:24:02Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
  重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。 さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-01T20:21:52Z)
• Feature Importance and Explainability in Quantum Machine Learning [0.0]
  多くの機械学習(ML)モデルはブラックボックスモデルと呼ばれ、なぜ予測されるのかについて本当の洞察を与えていない。 本稿では、古典的MLモデルと比較して量子機械学習(QML)の特徴的重要性と説明可能性について考察する。
  論文  参考訳（メタデータ） (2024-05-14T19:12:32Z)
• A Novel Stochastic LSTM Model Inspired by Quantum Machine Learning [0.0]
  過去数年間の量子機械学習(QML)の研究は、QMLアルゴリズムが従来のアルゴリズムと同様に機能することを示唆している。 この研究は、QMLが古典機械にその性質を組み込むことで、いくつかの報告された利益を達成できるかどうかを解明することを目的としている。
  論文  参考訳（メタデータ） (2023-05-17T13:44:25Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• Copula-based Risk Aggregation with Trapped Ion Quantum Computers [1.541403735141431]
  コプラは、合同確率分布をモデル化するための数学的ツールである。 コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。 シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
  論文  参考訳（メタデータ） (2022-06-23T18:39:30Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• 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)

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。