論文の概要: Quantum Gated Recurrent GAN with Gaussian Uncertainty for Network Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.26487v1
• Date: Thu, 30 Oct 2025 13:39:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.8363
• Title: Quantum Gated Recurrent GAN with Gaussian Uncertainty for Network Anomaly Detection
• Title（参考訳）: ネットワーク異常検出のためのガウス不確かさをもつ量子ゲート型リカレントGAN
• Authors: Wajdi Hammami, Soumaya Cherkaoui, Jean-Frederic Laprade, Ola Ahmad, Shengrui Wang,
• Abstract要約: 時系列データの異常検出は、ネットワークセキュリティに重要な意味を持つ重要な課題である。 最近の量子機械学習アプローチでは、異常検出のための複雑なデータ分布をキャプチャするが、制限されたキュービット数によって制限される。 本稿では,QGRU(Quantum Gated Recurrent Unit)をベースとしたGAN(Generative Adversarial Network)によるネットワーク異常検出手法を提案する。
• 参考スコア（独自算出の注目度）: 10.435718832887988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in time-series data is a critical challenge with significant implications for network security. Recent quantum machine learning approaches, such as quantum kernel methods and variational quantum circuits, have shown promise in capturing complex data distributions for anomaly detection but remain constrained by limited qubit counts. We introduce in this work a novel Quantum Gated Recurrent Unit (QGRU)-based Generative Adversarial Network (GAN) employing Successive Data Injection (SuDaI) and a multi-metric gating strategy for robust network anomaly detection. Our model uniquely utilizes a quantum-enhanced generator that outputs parameters (mean and log-variance) of a Gaussian distribution via reparameterization, combined with a Wasserstein critic to stabilize adversarial training. Anomalies are identified through a novel gating mechanism that initially flags potential anomalies based on Gaussian uncertainty estimates and subsequently verifies them using a composite of critic scores and reconstruction errors. Evaluated on benchmark datasets, our method achieves a high time-series aware F1 score (TaF1) of 89.43% demonstrating superior capability in detecting anomalies accurately and promptly as compared to existing classical and quantum models. Furthermore, the trained QGRU-WGAN was deployed on real IBM Quantum hardware, where it retained high anomaly detection performance, confirming its robustness and practical feasibility on current noisy intermediate-scale quantum (NISQ) devices.
• Abstract（参考訳）: 時系列データの異常検出は、ネットワークセキュリティに重要な意味を持つ重要な課題である。 量子カーネル法や変分量子回路のような最近の量子機械学習アプローチは、異常検出のための複雑なデータ分布をキャプチャするが、制限された量子ビット数によって制限される。 本稿では, 逐次データインジェクション(SuDaI)を用いたQGRUベースのGAN(Generative Adversarial Network)と, 堅牢なネットワーク異常検出のためのマルチメトリックゲーティング戦略を紹介する。 我々のモデルは、リパラメトリゼーションによりガウス分布のパラメータ(平均と対数分散)を出力する量子増幅ジェネレータをワッサーシュタイン批判と組み合わせて、敵の訓練を安定させる。 異常は、ガウスの不確実性推定に基づいて潜在的な異常を最初にフラグ付けし、その後、批判スコアと再構成エラーの合成を用いて検証する新しいゲーティング機構によって識別される。 本手法は, 従来の古典的, 量子モデルと比較して, 異常を正確に, 迅速に検出する優れた能力を示す89.43%の時系列認識F1スコア(TaF1)を実現する。 さらに、トレーニングされたQGRU-WGANは、実際のIBM Quantumハードウェアにデプロイされ、高い異常検出性能を保持し、現在のノイズの多い中間スケール量子(NISQ)デバイスに対する堅牢性と実用性を確認した。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
  量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。 既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。 我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
  論文  参考訳（メタデータ） (2025-07-09T15:22:17Z)
• 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)
• Quantum-assisted anomaly detection with multivariate Gaussian distribution [1.752215225501591]
  Gassian Anomaly Detection (GAD)は、データマイニングと機械学習において重要なタスクである。 算術自由ブラックボックス量子状態準備(AFQSP)におけるGADバイアルトのための量子アルゴリズムを提案する。 提案アルゴリズムは,低次元データセットを扱う場合の古典的GADの指数的高速化を実現する。
  論文  参考訳（メタデータ） (2025-05-05T02:21:11Z)
• Bayesian Quantum Amplitude Estimation [46.03321798937855]
  量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。 耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。 本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
  論文  参考訳（メタデータ） (2024-12-05T18:09:41Z)
• 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)
• Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)

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。