論文の概要: Quantum Machine Learning for Cybersecurity: A Taxonomy and Future Directions

• arxiv url: http://arxiv.org/abs/2512.15286v1
• Date: Wed, 17 Dec 2025 10:39:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.939509
• Title: Quantum Machine Learning for Cybersecurity: A Taxonomy and Future Directions
• Title（参考訳）: サイバーセキュリティのための量子機械学習 : 分類学と今後の方向性
• Authors: Siva Sai, Ishika Goyal, Shubham Sharma, Sri Harshita Manuri, Vinay Chamola, Rajkumar Buyya,
• Abstract要約: 量子機械学習(Quantum Machine Learning, QML)は、量子力学に基づく計算を利用する方法である。 特定の問題に対して高次元構造の符号化と処理を向上する。 本調査は、量子ニューラルネットワーク(QNN)、量子サポートベクトルマシン(QSVM)、変分量子回路(VQC)、量子生成アダプタネットワーク(QGAN)など、セキュリティ領域に関連するQML技術の概要を概観する。
• 参考スコア（独自算出の注目度）: 19.182305414676588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing number of cyber threats and rapidly evolving tactics, as well as the high volume of data in recent years, have caused classical machine learning, rules, and signature-based defence strategies to fail, rendering them unable to keep up. An alternative, Quantum Machine Learning (QML), has recently emerged, making use of computations based on quantum mechanics. It offers better encoding and processing of high-dimensional structures for certain problems. This survey provides a comprehensive overview of QML techniques relevant to the domain of security, such as Quantum Neural Networks (QNNs), Quantum Support Vector Machines (QSVMs), Variational Quantum Circuits (VQCs), and Quantum Generative Adversarial Networks (QGANs), and discusses the contributions of this paper in relation to existing research in the field and how it improves over them. It also maps these methods across supervised, unsupervised, and generative learning paradigms, and to core cybersecurity tasks, including intrusion and anomaly detection, malware and botnet classification, and encrypted-traffic analytics. It also discusses their application in the domain of cloud computing security, where QML can enhance secure and scalable operations. Many limitations of QML in the domain of cybersecurity have also been discussed, along with the directions for addressing them.
• Abstract（参考訳）: サイバー脅威の増加と急速に進化する戦術、そして近年のデータ量の増加により、古典的な機械学習、ルール、署名に基づく防衛戦略が失敗し、それらが追いつかなくなった。 量子機械学習(Quantum Machine Learning, QML)は、量子力学に基づく計算を利用する方法である。 特定の問題に対して高次元構造の符号化と処理を向上する。 本調査では、量子ニューラルネットワーク(QNN)、量子サポートベクトルマシン(QSVM)、変分量子回路(VQC)、量子生成逆数ネットワーク(QGAN)などのセキュリティ分野に関連するQML技術の概要を概説し、この分野における既存の研究とそれによる改善について論じる。 また、これらの手法を教師付き、教師なし、および生成学習パラダイム、侵入や異常検出、マルウェアとボットネットの分類、暗号化されたトラヒック分析を含むコアサイバーセキュリティタスクにマップする。 また、クラウドコンピューティングセキュリティの分野における彼らのアプリケーションについても論じており、QMLはセキュアでスケーラブルな操作を強化することができる。 サイバーセキュリティの領域におけるQMLの多くの制限についても議論されている。

関連論文リスト

• Quantum-enhanced Computer Vision: Going Beyond Classical Algorithms [50.573955644831386]
  QeCV(Quantum-enhanced Computer Vision)は、コンピュータビジョン、機械学習、量子コンピューティングの交差点における新しい研究分野である。 量子コンピューティングの助けを借りて、視覚信号の処理や解釈の仕方を変える可能性が高い。 本調査はQeCVに関する既存の文献に貢献し,本研究分野の総合的なレビューを行った。
  論文  参考訳（メタデータ） (2025-10-08T17:59:51Z)
• Adversarial Threats in Quantum Machine Learning: A Survey of Attacks and Defenses [2.089191490381739]
  量子機械学習(QML)は、量子コンピューティングと古典的な機械学習を統合して、分類、回帰、生成タスクを解決する。 本章では、クラウドベースのデプロイメント、ハイブリッドアーキテクチャ、量子生成モデルにおける脆弱性に焦点を当て、QMLシステム特有の敵の脅威について検討する。
  論文  参考訳（メタデータ） (2025-06-27T01:19:49Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Evaluating the Potential of Quantum Machine Learning in Cybersecurity: A Case-Study on PCA-based Intrusion Detection Systems [42.184783937646806]
  従来の機械学習のサイバーセキュリティアプリケーションに対する量子コンピューティングと機械学習(QML)の影響について検討する。 まず、サイバーセキュリティに特有な機械学習問題における量子コンピューティングの潜在的な利点について検討する。 次に,実世界の問題に対するフォールトトレラントQMLアルゴリズムの今後の影響を定量化する手法について述べる。
  論文  参考訳（メタデータ） (2025-02-16T15:49:25Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• QML-IDS: Quantum Machine Learning Intrusion Detection System [1.2016264781280588]
  本稿では量子コンピューティングと古典コンピューティングを組み合わせた新しい侵入検知システムQML-IDSを提案する。 QML-IDSはQuantum Machine Learning(QML)手法を用いてネットワークパターンを分析し、攻撃活動を検出する。 我々は,QML-IDSが攻撃検出に有効であることを示し,バイナリおよびマルチクラス分類タスクで良好に動作することを示す。
  論文  参考訳（メタデータ） (2024-10-07T13:07:41Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Predominant Aspects on Security for Quantum Machine Learning: Literature Review [0.0]
  量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと古典的な機械学習の有望な交わりとして登場した。 本稿では,セキュリティ上の懸念と強みがQMLとどのように結びついているのかを,系統的な文献レビューを用いて論じる。
  論文  参考訳（メタデータ） (2024-01-15T15:35:43Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)

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。