論文の概要: Quantum Autoencoders for Anomaly Detection in Cybersecurity

• arxiv url: http://arxiv.org/abs/2510.21837v1
• Date: Wed, 22 Oct 2025 12:32:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.603896
• Title: Quantum Autoencoders for Anomaly Detection in Cybersecurity
• Title（参考訳）: サイバーセキュリティにおける異常検出のための量子オートエンコーダ
• Authors: Rohan Senthil, Swee Liang Wong,
• Abstract要約: サイバーセキュリティにおける異常検出に量子オートエンコーダ(QAE)を適用し,特にBPF拡張トラッキング・ハニーポット(BETH)データセットについて検討した。 以上の結果から,Dense-AngleエンコーディングとRealAmplitude ansatzを用いた8機能QAEは,古典的オートエンコーダ(CAE)よりも優れていることが示された。 データ制限設定では、最高のパフォーマンスのQAEモデルは、CAE(0.77)よりもF1スコアが0.87である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection in cybersecurity is a challenging task, where normal events far outnumber anomalous ones with new anomalies occurring frequently. Classical autoencoders have been used for anomaly detection, but struggles in data-limited settings which quantum counterparts can potentially overcome. In this work, we apply Quantum Autoencoders (QAEs) for anomaly detection in cybersecurity, specifically on the BPF-extended tracking honeypot (BETH) dataset. QAEs are evaluated across multiple encoding techniques, ansatz types, repetitions, and feature selection strategies. Our results demonstrate that an 8-feature QAE using Dense-Angle encoding with a RealAmplitude ansatz can outperform Classical Autoencoders (CAEs), even when trained on substantially fewer samples. The effects of quantum encoding and feature selection for developing quantum models are demonstrated and discussed. In a data-limited setting, the best performing QAE model has a F1 score of 0.87, better than that of CAE (0.77). These findings suggest that QAEs may offer practical advantages for anomaly detection in data-limited scenarios.
• Abstract（参考訳）: サイバーセキュリティにおける異常検出は難しい課題であり、通常の出来事は、新しい異常が頻繁に発生する異常な出来事よりもはるかに多い。 古典的なオートエンコーダは異常検出に使われてきたが、量子対向が克服する可能性のあるデータ制限設定に苦戦している。 本研究では、サイバーセキュリティにおける異常検出に量子オートエンコーダ(QAE)を適用し、特にBPF拡張トラッキング・ハニーポット(BETH)データセットに適用する。 QAEは、複数のエンコーディングテクニック、アンサッツタイプ、繰り返し、特徴選択戦略で評価される。 以上の結果から, Dense-Angle符号化とRealAmplitude ansatzを用いた8機能QAEは, かなり少ないサンプルでトレーニングした場合であっても, 古典的オートエンコーダ(CAE)よりも優れることが示された。 量子符号化と特徴選択が量子モデル開発に与える影響を実証し、考察した。 データ制限設定では、最高のパフォーマンスのQAEモデルは、CAE(0.77)よりもF1スコアが0.87である。 これらの結果から,QAEはデータ制限シナリオにおける異常検出に実用的な利点をもたらす可能性が示唆された。

関連論文リスト

• Enhancing Network Anomaly Detection with Quantum GANs and Successive Data Injection for Multivariate Time Series [6.576759206183036]
  本稿では,異常検出のためのQGANアーキテクチャを提案する。 データ再アップロードとSuDaIを統合することで、アプローチは古典的なデータを量子状態に効率的にマッピングする。 QGANは、異常検出において高いリコールとF1スコアとともに高い精度を達成し、古典モデルと比較して低いMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-16T18:47:42Z)
• 1 Particle - 1 Qubit: Particle Physics Data Encoding for Quantum Machine Learning [0.0]
  高エネルギー物理のための新しい量子データ符号化方式である1P1Qを紹介する。 量子機械学習(QML)における1P1Qの有効性を示す。
  論文  参考訳（メタデータ） (2025-02-24T16:37:12Z)
• Applying Quantum Autoencoders for Time Series Anomaly Detection [1.4732811715354452]
  異常検出は、不正検出、パターン認識、医療診断など、様々な分野の応用において重要な問題である。 本稿では,量子オートエンコーダの時系列異常検出への応用について検討する。
  論文  参考訳（メタデータ） (2024-10-05T13:29:25Z)
• Quantum Patch-Based Autoencoder for Anomaly Segmentation [44.99833362998488]
  画像の異常セグメンテーションのためのパッチベースの量子オートエンコーダ(QPB-AE)を提案する。 QPB-AEは、組み込まれた入力パッチの量子状態を再構成し、測定から直接異常マップを計算する。 複数のデータセットとパラメータ構成でその性能を評価する。
  論文  参考訳（メタデータ） (2024-04-26T08:42:58Z)
• The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
  データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。 本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-14T19:46:39Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• 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)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。