論文の概要: A Non-Monotonic Relationship: An Empirical Analysis of Hybrid Quantum Classifiers for Unseen Ransomware Detection

• arxiv url: http://arxiv.org/abs/2509.07924v1
• Date: Tue, 09 Sep 2025 17:06:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.409999
• Title: A Non-Monotonic Relationship: An Empirical Analysis of Hybrid Quantum Classifiers for Unseen Ransomware Detection
• Title（参考訳）: 非単調な関係:未知のランサムウェア検出のためのハイブリッド量子分類器の実証分析
• Authors: Huu Phu Le, Phuc Hao Do, Vo Hoang Long Nguyen, Nang Hung Van Nguyen,
• Abstract要約: 本稿では,主成分分析(PCA)を用いた高次元データセットを用いた可変量子(VQC)ハイブリッドフレームワークを実験的に検討する。 12ビットのVQCでも古典的なベースライン97.7%のリコールには届かなかったため、重要な情報ボトルネックが明らかとなった。 これらの結果は、QMLのポテンシャルをアンロックするには、より効率的なデータ圧縮技術と堅牢な量子最適化戦略を共同開発する必要があることを強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting unseen ransomware is a critical cybersecurity challenge where classical machine learning often fails. While Quantum Machine Learning (QML) presents a potential alternative, its application is hindered by the dimensionality gap between classical data and quantum hardware. This paper empirically investigates a hybrid framework using a Variational Quantum Classifier (VQC) interfaced with a high-dimensional dataset via Principal Component Analysis (PCA). Our analysis reveals a dual challenge for practical QML. A significant information bottleneck was evident, as even the best performing 12-qubit VQC fell short of the classical baselines 97.7\% recall. Furthermore, a non-monotonic performance trend, where performance degraded when scaling from 4 to 8 qubits before improving at 12 qubits suggests a severe trainability issue. These findings highlight that unlocking QMLs potential requires co-developing more efficient data compression techniques and robust quantum optimization strategies.
• Abstract（参考訳）: 目に見えないランサムウェアを検出することは、古典的な機械学習がしばしば失敗する重要なサイバーセキュリティ問題である。 量子機械学習(QML)は潜在的な代替手段を提供するが、その応用は古典的データと量子ハードウェアの間の次元差によって妨げられている。 本稿では,主成分分析 (PCA) による高次元データセットと相互作用する変分量子分類器 (VQC) を用いたハイブリッドフレームワークを実験的に検討する。 分析の結果,QMLの実用化には2つの課題があることがわかった。 優れた12ビットVQCでさえ、古典的なベースライン97.7\%のリコールには届かなかったため、重要な情報ボトルネックが明らかとなった。 さらに、12キュービットで改善する前に4から8キュービットのスケーリングでパフォーマンスが低下する非モノトニックなパフォーマンストレンドは、厳しいトレーニング容易性の問題を示している。 これらの結果は、QMLのポテンシャルをアンロックするには、より効率的なデータ圧縮技術と堅牢な量子最適化戦略を共同開発する必要があることを強調している。

関連論文リスト

• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• 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)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)

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。