論文の概要: Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2601.06762v1
• Date: Sun, 11 Jan 2026 03:40:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.970757
• Title: Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning
• Title（参考訳）: 量子機械学習を用いた雑音耐性特徴認識検出
• Authors: Chao Ding, Shi Wang, Jingtao Sun, Yaonan Wang, Daoyi Dong, Weibo Gao,
• Abstract要約: 連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。 高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
• 参考スコア（独自算出の注目度）: 43.509065918669314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous-variable quantum key distribution (CV-QKD) is a quantum communication technology that offers an unconditional security guarantee. However, the practical deployment of CV-QKD systems remains vulnerable to various quantum attacks. In this paper, we propose a quantum machine learning (QML)-based attack detection framework (QML-ADF) that safeguards the security of high-rate CV-QKD systems. In particular, two alternative QML models -- quantum support vector machines (QSVM) and quantum neural networks (QNN) -- are developed to perform noise-resistant and feature-aware attack detection before conventional data postprocessing. Leveraging feature-rich quantum data from Gaussian modulation and homodyne detection, the QML-ADF effectively detects quantum attacks, including both known and unknown types defined by these distinctive features. The results indicate that all twelve distinct QML variants for both QSVM and QNN exhibit remarkable performance in detecting both known and previously undiscovered quantum attacks, with the best-performing QSVM variant outperforming the top QNN counterpart. Furthermore, we systematically evaluate the performance of the QML-ADF under various physically interpretable noise backends, demonstrating its strong robustness and superior detection performance. We anticipate that the QML-ADF will not only enable robust detection of quantum attacks under realistic deployment conditions but also strengthen the practical security of quantum communication systems.
• Abstract（参考訳）: 連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。 しかし、CV-QKDシステムの実用展開は、様々な量子攻撃に弱いままである。 本稿では、高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。 特に、2つの代替QMLモデル(量子サポートベクトルマシン(QSVM)と量子ニューラルネットワーク(QNN))は、従来のデータ後処理の前にノイズ耐性と特徴認識による攻撃検出を実行するために開発されている。 ガウス変調とホモダイン検出から特徴量豊富な量子データを活用することで、QML-ADFはこれらの特徴によって定義された既知の型と未知の型を含む量子攻撃を効果的に検出する。 その結果、QSVM と QNN の2つの異なる QML 変種は、既知の量子攻撃と未発見の量子攻撃の両方を検出するのに優れた性能を示し、QSVM 変種はQNN の変種よりも優れた性能を示した。 さらに,QML-ADFの性能を物理的に解釈可能な様々なノイズバックエンド下で体系的に評価し,その強靭性と優れた検出性能を示す。 我々は,QML-ADFが現実的な展開条件下での量子攻撃の堅牢な検出を可能にするだけでなく,量子通信システムの実用的セキュリティを強化することを期待する。

関連論文リスト

• Q-SafeML: Safety Assessment of Quantum Machine Learning via Quantum Distance Metrics [0.5097809301149341]
  本稿では,量子機械学習(QML)の安全性監視手法であるQ-SafeMLを紹介する。 Q-SafeMLの適応バージョンには量子中心距離測度が組み込まれており、QML出力の確率的性質と一致している。 QCNNとVQC Modelsの実験によると、これは人間の情報監視を可能にし、システムの透明性と安全性を高める。
  論文  参考訳（メタデータ） (2025-09-04T07:20:59Z)
• 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)
• Variational Quantum Machine Learning with Quantum Error Detection [0.6435156676256051]
  量子機械学習(QML)は、トレーニングの高速化、信頼性の向上、古典的な分野よりも優れた抽出といったメリットを約束する新興分野である。 量子ハードウェアの実装は、これらのシステムに固有のノイズのために困難であり、量子エラー訂正(QEC)コードを使用する必要がある。 現在のQMLの研究は主に理論的に行われており、しばしばノイズのない環境を仮定し、QECとQMLの統合についてはほとんど洞察を提供していない。
  論文  参考訳（メタデータ） (2025-04-09T10:56:21Z)
• 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)
• 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)
• 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)
• 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)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。