論文の概要: Black-Box Auditing of Quantum Model: Lifted Differential Privacy with Quantum Canaries

• arxiv url: http://arxiv.org/abs/2512.14388v1
• Date: Tue, 16 Dec 2025 13:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.723659
• Title: Black-Box Auditing of Quantum Model: Lifted Differential Privacy with Quantum Canaries
• Title（参考訳）: 量子モデルのブラックボックス監査:量子カナリアを用いたリフテッド微分プライバシー
• Authors: Baobao Song, Shiva Raj Pokhrel, Athanasios V. Vasilakos, Tianqing Zhu, Gang Li,
• Abstract要約: 量子機械学習(QML)は、計算上の大きな利点を約束するが、個々のレコードを記憶する機密データリスクに基づいて訓練されたモデルである。 我々は,量子差分プライバシーに基づくQMLのための最初のブラックボックスプライバシ監査フレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 27.661393333662474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning (QML) promises significant computational advantages, yet models trained on sensitive data risk memorizing individual records, creating serious privacy vulnerabilities. While Quantum Differential Privacy (QDP) mechanisms provide theoretical worst-case guarantees, they critically lack empirical verification tools for deployed models. We introduce the first black-box privacy auditing framework for QML based on Lifted Quantum Differential Privacy, leveraging quantum canaries (strategically offset-encoded quantum states) to detect memorization and precisely quantify privacy leakage during training. Our framework establishes a rigorous mathematical connection between canary offset and trace distance bounds, deriving empirical lower bounds on privacy budget consumption that bridge the critical gap between theoretical guarantees and practical privacy verification. Comprehensive evaluations across both simulated and physical quantum hardware demonstrate our framework's effectiveness in measuring actual privacy loss in QML models, enabling robust privacy verification in QML systems.
• Abstract（参考訳）: 量子機械学習(QML)は、計算上の大きな利点を約束するが、個々のレコードを記憶する機密データリスクに基づいてトレーニングされたモデルは、深刻なプライバシー上の脆弱性を生み出している。 量子微分プライバシー(QDP)メカニズムは理論的に最悪のケースの保証を提供するが、デプロイされたモデルに対する実証的な検証ツールが欠如している。 我々は、量子カナリア(統計的にオフセット符号化された量子状態)を活用して記憶を検出し、トレーニング中にプライバシー漏洩を正確に定量化する、QMLのための最初のブラックボックスのプライバシ監査フレームワークを紹介した。 我々の枠組みは、理論的な保証と実践的なプライバシー検証の間に重要なギャップを埋める、プライバシー予算の消費に関する実証的な低い境界を導出し、カナリアオフセットとトレース距離境界の間の厳密な数学的関係を確立する。 シミュレーションと物理量子ハードウェアの両方にわたる総合的な評価は、QMLモデルにおける実際のプライバシ損失を測定する上で、我々のフレームワークの有効性を示し、QMLシステムにおける堅牢なプライバシ検証を可能にします。

関連論文リスト

• Differentially Private Federated Quantum Learning via Quantum Noise [9.540961602976965]
  量子連合学習(QFL)は、生のデータ交換なしで分散量子デバイス間で量子機械学習(QML)モデルの協調トレーニングを可能にする。 QFLは、情報プライバシを損なうために共有QMLモデルの更新を悪用できる敵攻撃に対して脆弱なままである。 本稿では,QFLプロセス全体の量子モデルを保護するために量子ノイズを利用する新しいDP機構について検討する。
  論文  参考訳（メタデータ） (2025-08-27T22:56:16Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
  GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。 GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。 GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
  論文  参考訳（メタデータ） (2024-01-25T11:11:16Z)
• Harnessing Inherent Noises for Privacy Preservation in Quantum Machine Learning [11.45148186874482]
  我々は,量子機械学習におけるデータプライバシ保護に固有の量子ノイズを活用することを提案する。 特に、ノイズ中規模量子(NISQ)デバイスを考えると、避けられないショットノイズと非コヒーレントノイズを利用する。
  論文  参考訳（メタデータ） (2023-12-18T11:52:44Z)
• Differential Privacy Preserving Quantum Computing via Projection Operator Measurements [15.024190374248088]
  古典コンピューティングでは、プライバシ保護の標準を満たすために、差分プライバシ(DP)の概念を組み込むことができる。 量子コンピューティングのシナリオでは、研究者は量子ノイズを考慮して古典DPを量子微分プライバシー(QDP)に拡張した。 ショットノイズは、量子コンピューティングにおいて、効果的にプライバシ保護を提供することを示す。
  論文  参考訳（メタデータ） (2023-12-13T15:27:26Z)
• Federated Quantum Machine Learning with Differential Privacy [9.755412365451985]
  本研究では,キャッツ対ドッグスデータセットのバイナリ分類を行うことにより,プライバシー保護手法の実装に成功した。 本研究では,NISQデバイス上での量子機械学習において,フェデレーション付き差分プライベートトレーニングが有効なプライバシ保護手法であることを示す。
  論文  参考訳（メタデータ） (2023-10-10T19:52:37Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Robust and efficient verification of graph states in blind measurement-based quantum computation [52.70359447203418]
  Blind Quantum Computing (BQC) は、クライアントのプライバシを保護するセキュアな量子計算手法である。 資源グラフ状態が敵のシナリオで正確に準備されているかどうかを検証することは重要である。 本稿では,任意の局所次元を持つ任意のグラフ状態を検証するための,堅牢で効率的なプロトコルを提案する。
  論文  参考訳（メタデータ） (2023-05-18T06:24:45Z)
• 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。