論文の概要: Towards Quantum Machine Learning for Malicious Code Analysis

• arxiv url: http://arxiv.org/abs/2508.19381v1
• Date: Tue, 26 Aug 2025 19:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.407246
• Title: Towards Quantum Machine Learning for Malicious Code Analysis
• Title（参考訳）: 悪意のあるコード解析のための量子機械学習を目指して
• Authors: Jesus Lopez, Saeefa Rubaiyet Nowmi, Viviana Cadena, Mohammad Saidur Rahman,
• Abstract要約: 量子多層パーセプトロン(QMLP)と量子畳み込みニューラルネットワーク(QCNN)の2つのハイブリッド量子古典モデルについて検討する。 QMLPは全量子ビット計測とデータ再ロードによって複雑なパターンをキャプチャし、QCNNは量子畳み込みとプール層による高速なトレーニングを実現し、アクティブなキュービットを減らす。 両モデルを,API-Graph,EMBER-Domain,EMBER-Class,AZ-Domain,AZ-Classの5つの広く使用されているマルウェアデータセット上で,バイナリおよびマルチクラス分類タスクで評価する。
• 参考スコア（独自算出の注目度）: 0.5978945255465583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical machine learning (CML) has been extensively studied for malware classification. With the emergence of quantum computing, quantum machine learning (QML) presents a paradigm-shifting opportunity to improve malware detection, though its application in this domain remains largely unexplored. In this study, we investigate two hybrid quantum-classical models -- a Quantum Multilayer Perceptron (QMLP) and a Quantum Convolutional Neural Network (QCNN), for malware classification. Both models utilize angle embedding to encode malware features into quantum states. QMLP captures complex patterns through full qubit measurement and data re-uploading, while QCNN achieves faster training via quantum convolution and pooling layers that reduce active qubits. We evaluate both models on five widely used malware datasets -- API-Graph, EMBER-Domain, EMBER-Class, AZ-Domain, and AZ-Class, across binary and multiclass classification tasks. Our results show high accuracy for binary classification -- 95-96% on API-Graph, 91-92% on AZ-Domain, and 77% on EMBER-Domain. In multiclass settings, accuracy ranges from 91.6-95.7% on API-Graph, 41.7-93.6% on AZ-Class, and 60.7-88.1% on EMBER-Class. Overall, QMLP outperforms QCNN in complex multiclass tasks, while QCNN offers improved training efficiency at the cost of reduced accuracy.
• Abstract（参考訳）: 古典機械学習(CML)はマルウェア分類のために広く研究されている。 量子コンピューティングの出現に伴い、量子機械学習(QML)は、マルウェア検出を改善するためのパラダイムシフトの機会を提供する。 本研究では,QMLP(Quantum Multilayer Perceptron)とQCNN(Quantum Convolutional Neural Network)の2種類のハイブリッド量子古典モデルのマルウェア分類について検討した。 どちらのモデルもアングル埋め込みを利用して、マルウェアの機能を量子状態にエンコードしている。 QMLPは全量子ビット計測とデータ再ロードによって複雑なパターンをキャプチャし、QCNNは量子畳み込みとプール層による高速なトレーニングを実現し、アクティブなキュービットを減らす。 両モデルを,API-Graph,EMBER-Domain,EMBER-Class,AZ-Domain,AZ-Classの5つの広く使用されているマルウェアデータセット上で,バイナリおよびマルチクラス分類タスクで評価する。 API-Graphは95-96%,AZ-Domainは91-92%,EMBER-Domainは77%であった。 マルチクラス設定では、API-Graphで91.6-95.7%、AZ-Classで41.7-93.6%、EMBER-Classで60.7-88.1%の精度がある。 全体として、QMLPは複雑なマルチクラスタスクにおいてQCNNより優れており、QCNNはトレーニング効率を向上し、精度を低下させる。

関連論文リスト

• Benchmarking Quantum Convolutional Neural Networks for Classification and Data Compression Tasks [0.4379805041989628]
  量子畳み込みニューラルネットワーク(QCNN)は、量子機械学習タスクの有望なモデルとして登場した。 本稿では,量子基底状態の位相を分類するハードウェア効率アンサッツ(HEA)と比較してQCNNの性能について検討する。
  論文  参考訳（メタデータ） (2024-11-20T17:17:09Z)
• Coherent Feed Forward Quantum Neural Network [2.1178416840822027]
  量子ニューラルネットワーク(QNN)に焦点をあてた量子機械学習は、いまだに膨大な研究分野である。 適応可能な中間層とノードの観点から,従来のFFNNの汎用性とシームレスに整合するボナフェイドQNNモデルを提案する。 本研究では,診断乳がん(Wisconsin)やクレジットカード不正検出データセットなど,さまざまなベンチマークデータセットを用いて提案モデルを検証した。
  論文  参考訳（メタデータ） (2024-02-01T15:13:26Z)
• A Post-Training Approach for Mitigating Overfitting in Quantum Convolutional Neural Networks [0.24578723416255752]
  量子畳み込みニューラルネットワーク(QCNN)におけるオーバーフィッティング軽減のためのポストトレーニング手法の検討 古典的なポストトレーニング手法であるニューロトン・ドロップアウトの量子設定への直接的な適応は、QCNNの成功確率を著しく低下させる。 我々は、この効果がQCNNにおける絡み合いの重要な役割と、QCNNの絡み合い損失に対する脆弱性を明らかにすることを論じる。
  論文  参考訳（メタデータ） (2023-09-04T21:46:24Z)
• 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)
• DeepQMLP: A Scalable Quantum-Classical Hybrid DeepNeural Network Architecture for Classification [6.891238879512672]
  量子機械学習(QML)は、従来の機械学習(ML)タスクの潜在的なスピードアップと改善を約束している。 本稿では、古典的なディープニューラルネットワークアーキテクチャにインスパイアされたスケーラブルな量子古典ハイブリッドニューラルネットワーク(DeepQMLP)アーキテクチャを提案する。 DeepQMLPは、ノイズ下での推論において、最大25.3%の損失と7.92%の精度を提供する。
  論文  参考訳（メタデータ） (2022-02-02T15:29:46Z)
• Quantum convolutional neural network for classical data classification [0.8057006406834467]
  古典データ分類のための完全パラメータ化量子畳み込みニューラルネットワーク(QCNN)をベンチマークする。 本稿では,CNNにインスパイアされた量子ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T06:48:34Z)
• Once Quantization-Aware Training: High Performance Extremely Low-bit Architecture Search [112.05977301976613]
  本稿では,ネットワークアーキテクチャ検索手法と量子化手法を組み合わせることで,両者のメリットを享受することを提案する。 まず、多数の量子化モデルを取得するために、共有ステップサイズでアーキテクチャと量子化の合同トレーニングを提案する。 次に、量子化されたモデルを低ビットに転送するためにビット継承方式を導入し、さらに時間コストを削減し、量子化精度を向上させる。
  論文  参考訳（メタデータ） (2020-10-09T03:52:16Z)
• 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。