論文の概要: Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis

• arxiv url: http://arxiv.org/abs/2601.02237v1
• Date: Mon, 05 Jan 2026 16:11:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.262944
• Title: Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis
• Title（参考訳）: サイバーセキュリティのための量子AI:攻撃経路分析のためのハイブリッド量子古典モデル
• Authors: Jessica A. Sciammarelli, Waqas Ahmed,
• Abstract要約: 本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。 量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。 結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
• 参考スコア（独自算出の注目度）: 1.2676356746752895
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern cyberattacks are increasingly complex, posing significant challenges to classical machine learning methods, particularly when labeled data is limited and feature interactions are highly non-linear. In this study we investigates the potential of hybrid quantum-classical learning to enhance feature representations for intrusion detection and explore possible quantum advantages in cybersecurity analytics. Using the UNSW-NB15 dataset, network traffic is transformed into structured feature vectors through classical preprocessing and normalization. Classical models, including Logistic Regression and Support Vector Machines with linear and RBF kernels, are evaluated on the full dataset to establish baseline performance under large-sample conditions. Simultaneously, a quantum-enhanced pipeline maps classical features into variational quantum circuits via angle encoding and entangling layers, executed on a CPU-based quantum simulator, with resulting quantum embeddings classified using a classical SVM. Experiments show that while classical models achieve higher overall accuracy with large datasets, quantum-enhanced representations demonstrate superior attack recall and improved class separability when data is scarce, suggesting that quantum feature spaces capture complex correlations inaccessible to shallow classical models. These results highlight the potential of quantum embeddings to improve generalization and representation quality in cybersecurity tasks and provide a reproducible framework for evaluating quantum advantages as quantum hardware and simulators continue to advance.
• Abstract（参考訳）: 現代のサイバー攻撃はますます複雑化しており、古典的な機械学習手法、特にラベル付きデータが制限され、機能の相互作用が非常に非線形である場合、大きな課題となっている。 本研究では,侵入検出のための特徴表現を強化するためのハイブリッド量子古典学習の可能性について検討し,サイバーセキュリティ分析における量子アドバンテージの可能性を探る。 UNSW-NB15データセットを使用して、ネットワークトラフィックは古典的な前処理と正規化によって構造化された特徴ベクトルに変換される。 線形およびRBFカーネルを備えたロジスティック回帰およびサポートベクトルマシンを含む古典的モデルは、全データセット上で評価され、大規模なサンプル条件下でのベースライン性能を確立する。 同時に、量子強化パイプラインは、CPUベースの量子シミュレータ上で実行されるアングルエンコーディングとエンタングリング層を介して古典的な特徴を変分量子回路にマッピングし、古典的なSVMを用いて量子埋め込みを分類する。 実験により、古典的モデルは大規模なデータセットで高い全体的な精度を達成するが、量子化された表現は、データが不足している場合に攻撃リコールが優れていることを示し、クラス分離性が向上していることが示され、量子特徴空間が浅い古典的モデルに到達できない複雑な相関を捉えることが示唆された。 これらの結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調し、量子ハードウェアとシミュレータが進歩し続けるにつれて、量子アドバンテージを評価するための再現可能なフレームワークを提供する。

関連論文リスト

• Adversarially Robust Quantum Transfer Learning [1.3113458064027566]
  量子機械学習(QML)は、古典的な機械学習システムの性能向上のための研究分野として期待されている。 この章では、量子コンピューティングの利点と転送学習技術を組み合わせて高解像度画像分類に対処するハイブリッド量子古典アーキテクチャを紹介する。
  論文  参考訳（メタデータ） (2025-10-18T02:16:34Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [7.945302052915863]
  量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。 本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
  論文  参考訳（メタデータ） (2024-09-22T23:18:06Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)

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。