論文の概要: QSentry: Backdoor Detection for Quantum Neural Networks via Measurement Clustering

• arxiv url: http://arxiv.org/abs/2511.15376v1
• Date: Wed, 19 Nov 2025 12:08:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.792827
• Title: QSentry: Backdoor Detection for Quantum Neural Networks via Measurement Clustering
• Title（参考訳）: QSentry:測定クラスタリングによる量子ニューラルネットワークのバックドア検出
• Authors: Shuolei Wang, Zimeng Xiao, Jinjing Shi, Heyuan Shi, Shichao Zhang, Xuelong Li,
• Abstract要約: 量子ニューラルネットワーク(QNN)は量子機械学習(QML)を実装する上で重要なモデルである 本研究は,QMLにおけるバックドア脅威を軽減するための実践的で効果的な枠組みを確立する。
• 参考スコア（独自算出の注目度）: 43.44248599606903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum neural networks (QNNs) are an important model for implementing quantum machine learning (QML), while they demonstrate a high degree of vulnerability to backdoor attacks similar to classical networks. To address this issue, a quantum backdoor attack detection framework called QSentry is proposed, in which a quantum Measurement Clustering method is introduced to detect backdoors by identifying statistical anomalies in measurement outputs. It is demonstrated that QSentry can effectively detect anomalous distributions induced by backdoor samples with extensive experiments. It achieves a 75.8% F1 score even under a 1% poisoning rate, and further improves to 85.7% and 93.2% as the poisoning rate increases to 5% and 10%, respectively. The integration of silhouette coefficients and relative cluster size enable QSentry to precisely isolate backdoor samples, yielding estimates that closely match actual poisoning ratios. Evaluations under various quantum attack scenarios demonstrate that QSentry delivers superior robustness and accuracy compared with three state-of-the-art detection methods. This work establishes a practical and effective framework for mitigating backdoor threats in QML.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は量子機械学習(QML)を実装する上で重要なモデルであり、古典的ネットワークに似たバックドア攻撃に対する高度な脆弱性を示す。 この問題に対処するため、QSentryと呼ばれる量子バックドア攻撃検出フレームワークが提案され、測定出力の統計的異常を識別してバックドアを検出する量子計測クラスタリング法が導入された。 QSentryは、バックドアサンプルによって誘導される異常な分布を広範囲な実験で効果的に検出できることが実証された。 1%の中毒率でも75.8%のF1スコアを達成し、さらに中毒率が5%と10%に上昇するにつれて85.7%と93.2%に改善する。 シルエット係数と相対的なクラスタサイズの統合により、QSentryはバックドアサンプルを正確に分離することができ、実際の中毒率と密接に一致する推定値が得られる。 様々な量子攻撃シナリオ下での評価は、QSentryが3つの最先端検出方法と比較して、優れた堅牢性と精度を提供することを示している。 本研究は,QMLにおけるバックドア脅威を軽減するための実践的で効果的な枠組みを確立する。

関連論文リスト

• 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)
• Q-Detection: A Quantum-Classical Hybrid Poisoning Attack Detection Method [1.9914441103508185]
  データ中毒攻撃は、機械学習モデルに重大な脅威をもたらす。 本稿では,量子古典的ハイブリッド防御法であるQ-Detectionを提案する。 Q-Detectionは量子コンピューティングデバイスで最適化されたQ-WANも導入している。
  論文  参考訳（メタデータ） (2025-07-07T18:43:34Z)
• Quantum-Hybrid Support Vector Machines for Anomaly Detection in Industrial Control Systems [0.3749861135832072]
  本研究では,CPS(Cyber-Physical Systems)の3つの一般的なデータセットを用いた量子ハイブリッド支援ベクトルマシン(QSVM)のパラメータ化に焦点を当てた。 その結果、QSVMは従来のカーネルメソッドよりも優れており、F1スコアは13.3%高い。 この取り組みは、QSVMがICSの異常検出において大きなアドバンテージを提供し、最終的に重要なインフラストラクチャのセキュリティと整合性を高めることを示唆している。
  論文  参考訳（メタデータ） (2025-06-21T21:37:26Z)
• Experimental robustness benchmark of quantum neural network on a superconducting quantum processor [14.38187281782993]
  量子機械学習(QML)モデルは、従来のモデルと同様、敵攻撃に対して脆弱であり、セキュアなデプロイメントを妨げる。 ここでは、20量子ビット量子ニューラルネットワーク(QNN)の最初の系統的実験ロバスト性ベンチマークを報告する。 我々のベンチマークフレームワークは、QNN向けに設計された効率的な対向攻撃アルゴリズムを備えており、対向ロバスト性とロバスト性境界の定量的評価を可能にする。
  論文  参考訳（メタデータ） (2025-05-22T14:18:14Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• A Quantum Neural Network-Based Approach to Power Quality Disturbances Detection and Recognition [15.789631792979366]
  電力品質障害(PQD)は電力システムの安定性と信頼性に大きな影響を及ぼす。 本稿では,PQDの検出と認識のための改良型量子ニューラルネットワーク(QNN)モデルを提案する。 このモデルは、障害の検出、7つの単一障害の認識、10の混合障害の認識を含む実験で99.75%、97.85%、95.5%の精度を達成する。
  論文  参考訳（メタデータ） (2024-06-05T09:10:11Z)
• QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
  量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。 QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。 QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:11:28Z)
• CBD: A Certified Backdoor Detector Based on Local Dominant Probability [16.8197731929139]
  本稿では,新しい整合予測手法に基づく最初の認証バックドア検出器(CBD)を提案する。 CBDは、(1)検出推測、(2)攻撃が検出可能であることを保証する条件、(3)偽陽性率の確率的上限を提供する。 CBDは最先端の検出器と同等またはそれ以上の精度で検出を行い、さらに検出認証を提供する。
  論文  参考訳（メタデータ） (2023-10-26T15:53:18Z)
• Analytical and experimental study of center line miscalibrations in M\o lmer-S\o rensen gates [51.93099889384597]
  モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。 我々はゲート進化演算子を計算し、関連する鍵特性を得る。 我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
  論文  参考訳（メタデータ） (2021-12-10T10:56:16Z)

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。