論文の概要: Secure PAC Learning: Sample-Budget Laws and Quantum Data-Path Admissibility

• arxiv url: http://arxiv.org/abs/2511.02479v1
• Date: Tue, 04 Nov 2025 11:08:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.965289
• Title: Secure PAC Learning: Sample-Budget Laws and Quantum Data-Path Admissibility
• Title（参考訳）: 安全なPAC学習:サンプル予算法と量子データパス適応性
• Authors: Jeongho Bang,
• Abstract要約: 我々は,PACの観点から,セキュアな学習理論を構築した。 我々は,データパスの挙動を有限サンプル予算にリンクする運用フレームワークを開発する。 これは、PAC学習にセキュリティの概念と運用サンプル予算法を組み込んだ最初の完全なフレームワークである。
• 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: Security in machine learning is fragile when data are exfiltrated or perturbed, yet existing frameworks rarely connect the definition and analysis of the security to learnability. In this work, we develop a theory of secure learning grounded in the probably-approximately-correct (PAC) viewpoint and develop an operational framework that links data-path behavior to finite-sample budgets. In our formulation, an accuracy-confidence target is evaluated via a run-based sequential test that halts after a prescribed number of consecutive validations, and a closed-form budget bound guarantees the learning success if the data-path channel is admissible; the acceptance must also exceed a primitive random-search baseline. We elevate and complete our secure-learning construction in the context of quantum information -- establishing quantum-secure PAC learning: for prepare-and-measure scenarios, the data-path admissibility is set to be threshold fixed by Holevo information, not a learner-tunable tolerance. Thus, a certified information advantage for the learner directly becomes the learning security -- an effect with no classical analogue. The channel-determined confidence follows naturally and basis sifting is incorporated for practical deployments. This is the first complete framework that simultaneously embeds a security notion and an operational sample-budget law within the PAC learning and anchors the security in quantum information. The resulting blueprint points toward standardized guarantees for the learning security, with clear avenues for PAC-Bayes extensions and for integration with advanced quantum machine learning front ends.
• Abstract（参考訳）: しかし、既存のフレームワークは、セキュリティの定義と分析を学習可能性に結びつけることはめったにない。 本研究では,多元ほぼ正当性(PAC)の観点に基づくセキュアな学習理論を開発し,データパスの挙動を有限サンプル予算にリンクする運用フレームワークを開発する。 我々の定式化では、所定の連続的な検証の後に停止するランベースシーケンシャルテストにより精度信頼度目標を評価し、データパスチャネルが許容可能な場合、クローズドフォーム予算が学習成功を保証する。 我々は、量子情報という文脈でセキュアな学習構造を構築し、完成させる。量子セキュアなPAC学習を確立する: 準備と測定のシナリオでは、データパスの許容性は、学習者による耐性ではなく、ホレボ情報によって固定されるしきい値に設定される。 したがって、学習者にとって認証された情報の優位性は、古典的な類推がない効果である学習のセキュリティとなる。 チャネル決定された信頼は自然に続き、ベースシフティングは実践的なデプロイメントに取り入れられる。 これは、PAC学習にセキュリティの概念と運用サンプル予算法を同時に組み込んで、セキュリティを量子情報に固定する最初の完全なフレームワークである。 結果として得られた青写真は、PAC-Bayes拡張の明確な道と高度な量子機械学習フロントエンドとの統合という、学習セキュリティの標準化された保証に向けたものだ。

関連論文リスト

• Learning Verifiable Control Policies Using Relaxed Verification [49.81690518952909]
  本研究は,実行中にプロパティを評価可能なポリシを目標として,トレーニングを通じて検証を実施することを提案する。 アプローチは、微分可能な到達可能性分析を使用して、新しいコンポーネントを損失関数に組み込むことである。
  論文  参考訳（メタデータ） (2025-04-23T16:54:35Z)
• Ensuring superior learning outcomes and data security for authorized learner [0.4166512373146748]
  学習者がターゲット関数を近似した仮説を生成する能力は、機械学習において不可欠である。 eavesdropperにアクセスできるトレーニングデータの品質を制限することにより、"認可"学習者のパフォーマンスを確保することが重要である。 量子ラベル符号化を用いた認定学習者のみに優れた学習結果を保証するための定理を提供する。
  論文  参考訳（メタデータ） (2025-01-01T06:49:00Z)
• Testing learning-enabled cyber-physical systems with Large-Language Models: A Formal Approach [32.15663640443728]
  機械学習(ML)をサイバー物理システム(CPS)に統合することは大きな利益をもたらす。 既存の検証と検証技術は、しばしばこれらの新しいパラダイムには不十分である。 本稿では, 基礎確率テストからより厳密なアプローチへ移行し, 正式な保証を実現するためのロードマップを提案する。
  論文  参考訳（メタデータ） (2023-11-13T14:56:14Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)

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。