論文の概要: Covert Quantum Learning: Privately and Verifiably Learning from Quantum Data

• arxiv url: http://arxiv.org/abs/2510.07193v1
• Date: Wed, 08 Oct 2025 16:25:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.629014
• Title: Covert Quantum Learning: Privately and Verifiably Learning from Quantum Data
• Title（参考訳）: カバー量子学習: 量子データからプライベートかつ検証可能な学習
• Authors: Abhishek Anand, Matthias C. Caro, Ari Karchmer, Saachi Mutreja,
• Abstract要約: 量子学習理論における包括的検証可能な学習モデルを提案する。 Forrelation と Simon の問題に対する古典的クエリと量子的クエリの指数的分離は、隠蔽性制約の下で生き残ることを示す。 我々のモデルとそれに対応するアルゴリズムは、信頼できない遠隔データであっても、量子的優位性はプライベートで検証可能であることを示した。
• 参考スコア（独自算出の注目度）: 4.230025065044209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum learning from remotely accessed quantum compute and data must address two key challenges: verifying the correctness of data and ensuring the privacy of the learner's data-collection strategies and resulting conclusions. The covert (verifiable) learning model of Canetti and Karchmer (TCC 2021) provides a framework for endowing classical learning algorithms with such guarantees. In this work, we propose models of covert verifiable learning in quantum learning theory and realize them without computational hardness assumptions for remote data access scenarios motivated by established quantum data advantages. We consider two privacy notions: (i) strategy-covertness, where the eavesdropper does not gain information about the learner's strategy; and (ii) target-covertness, where the eavesdropper does not gain information about the unknown object being learned. We show: Strategy-covert algorithms for making quantum statistical queries via classical shadows; Target-covert algorithms for learning quadratic functions from public quantum examples and private quantum statistical queries, for Pauli shadow tomography and stabilizer state learning from public multi-copy and private single-copy quantum measurements, and for solving Forrelation and Simon's problem from public quantum queries and private classical queries, where the adversary is a unidirectional or i.i.d. ancilla-free eavesdropper. The lattermost results in particular establish that the exponential separation between classical and quantum queries for Forrelation and Simon's problem survives under covertness constraints. Along the way, we design covert verifiable protocols for quantum data acquisition from public quantum queries which may be of independent interest. Overall, our models and corresponding algorithms demonstrate that quantum advantages are privately and verifiably achievable even with untrusted, remote data.
• Abstract（参考訳）: リモートアクセスされた量子コンピューティングとデータからの量子学習は、データの正しさの検証と、学習者のデータ収集戦略のプライバシの確保と結果の結論の2つの大きな課題に対処する必要がある。 Canetti and Karchmer(TCC 2021)の(検証可能な)学習モデルは、古典的な学習アルゴリズムにそのような保証を与えるためのフレームワークを提供する。 本研究では、量子学習理論における包括的検証可能な学習モデルを提案し、確立された量子データ優位性によって動機付けられたリモートデータアクセスシナリオに対する計算硬度仮定なしで実現する。 私たちは2つのプライバシー概念を考えます。 一 盗難者が学習者の戦略に関する情報を得ない戦略の包括性 (ii) 盗聴者が学習対象の未知の情報を入手しない対象被覆性。 古典的シャドウを用いた量子統計クエリ作成のための戦略被覆アルゴリズム,公開量子例とプライベート量子統計クエリから二次関数を学習するためのターゲット被覆アルゴリズム,パウリ影トモグラフィとパブリックマルチコピーおよびプライベート単一コピー量子測定による安定化状態学習,パブリック量子クエリとプライベート古典クエリによるForrelationとSimonの問題を解決するために,敵が一方向あるいは一方向,すなわちアンシラフリーな盗聴器である。 特に後者の結果は、Forrelation と Simon の問題に対する古典的および量子的クエリの指数的分離が、隠蔽性制約の下で生き残ることを証明している。 その過程で、我々は、独立した関心を持つ可能性のある公開量子クエリーから量子データを取得するための包括的検証可能なプロトコルを設計する。 全体として、我々のモデルとそれに対応するアルゴリズムは、信頼できないリモートデータであっても、量子的優位性はプライベートであり、確実に達成可能であることを示した。

関連論文リスト

• Quantum delegated and federated learning via quantum homomorphic encryption [0.5939164722752263]
  本稿では,量子デリゲート型およびフェデレート型学習を無理論データプライバシ保証で実現可能な汎用フレームワークを提案する。 この枠組みの下での学習と推論は、盲点量子コンピューティングに基づくスキームに比べて通信の複雑さが著しく低いことが示される。
  論文  参考訳（メタデータ） (2024-09-28T14:13:50Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Separable Power of Classical and Quantum Learning Protocols Through the Lens of No-Free-Lunch Theorem [70.42372213666553]
  No-Free-Lunch(NFL)定理は、最適化プロセスに関係なく問題とデータ非依存の一般化誤差を定量化する。 我々は、様々な量子学習アルゴリズムを、特定の観測可能条件下で量子力学を学習するために設計された3つの学習プロトコルに分類する。 得られたNFL定理は, CLC-LP, ReQu-LP, Qu-LPにまたがるサンプルの複雑性を2次的に低減することを示した。 この性能差は、非直交量子状態のグローバル位相に関する情報を間接的に活用するために、量子関連学習プロトコルのユニークな能力に起因している。
  論文  参考訳（メタデータ） (2024-05-12T09:05:13Z)
• Statistical Complexity of Quantum Learning [32.48879688084909]
  本稿では,情報理論を用いた量子学習の複雑さについて概説する。 データ複雑性、コピー複雑性、モデルの複雑さに重点を置いています。 我々は、教師なし学習と教師なし学習の両方に対処することで、量子学習と古典学習の違いを強調する。
  論文  参考訳（メタデータ） (2023-09-20T20:04:05Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• 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)
• Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
  量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。 量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。 これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
  論文  参考訳（メタデータ） (2020-03-20T17:56:14Z)

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。