論文の概要: QUPID: A Partitioned Quantum Neural Network for Anomaly Detection in Smart Grid

• arxiv url: http://arxiv.org/abs/2601.11500v1
• Date: Fri, 16 Jan 2026 18:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.599412
• Title: QUPID: A Partitioned Quantum Neural Network for Anomaly Detection in Smart Grid
• Title（参考訳）: QUPID:スマートグリッドにおける異常検出のための分割量子ニューラルネットワーク
• Authors: Hoang M. Ngo, Tre' R. Jeter, Jung Taek Seo, My T. Thai,
• Abstract要約: 我々は、従来の最先端MLモデルよりも優れた異常検出性能を有する分割量子ニューラルネットワーク(PQNN)であるQUPIDを提案する。 我々はモデルをR-QUPIDに拡張し、堅牢性を高めるために差分プライバシー(DP)を含む場合、その性能を維持できる。 各種シナリオを対象とした実験により,QUPIDとR-QUPIDの有効性を実証し,従来のML手法と比較して異常検出能力とロバスト性を大幅に改善した。
• 参考スコア（独自算出の注目度）: 11.321944364202215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smart grid infrastructures have revolutionized energy distribution, but their day-to-day operations require robust anomaly detection methods to counter risks associated with cyber-physical threats and system faults potentially caused by natural disasters, equipment malfunctions, and cyber attacks. Conventional machine learning (ML) models are effective in several domains, yet they struggle to represent the complexities observed in smart grid systems. Furthermore, traditional ML models are highly susceptible to adversarial manipulations, making them increasingly unreliable for real-world deployment. Quantum ML (QML) provides a unique advantage, utilizing quantum-enhanced feature representations to model the intricacies of the high-dimensional nature of smart grid systems while demonstrating greater resilience to adversarial manipulation. In this work, we propose QUPID, a partitioned quantum neural network (PQNN) that outperforms traditional state-of-the-art ML models in anomaly detection. We extend our model to R-QUPID that even maintains its performance when including differential privacy (DP) for enhanced robustness. Moreover, our partitioning framework addresses a significant scalability problem in QML by efficiently distributing computational workloads, making quantum-enhanced anomaly detection practical in large-scale smart grid environments. Our experimental results across various scenarios exemplifies the efficacy of QUPID and R-QUPID to significantly improve anomaly detection capabilities and robustness compared to traditional ML approaches.
• Abstract（参考訳）: スマートグリッドのインフラはエネルギー流通に革命をもたらしたが、彼らの日々の運用では、サイバー物理的脅威や、自然災害、機器の故障、サイバー攻撃によって引き起こされる可能性のあるシステム障害に対処するために、堅牢な異常検出方法が必要である。 従来の機械学習(ML)モデルはいくつかの領域で有効であるが、スマートグリッドシステムで観測される複雑さを表現するのに苦労している。 さらに、従来のMLモデルは敵の操作に非常に敏感であり、現実のデプロイメントではますます信頼できないものになっている。 量子ML(QML)は、量子を拡張した特徴表現を利用して、スマートグリッドシステムの高次元的な性質の複雑さをモデル化し、敵の操作に対するレジリエンスをより高めている。 本研究では,分割型量子ニューラルネットワーク(PQNN)のQUPIDを提案する。 我々はモデルをR-QUPIDに拡張し、堅牢性を高めるために差分プライバシー(DP)を含む場合、その性能を維持できる。 さらに,計算処理を効率よく分散することで,大規模スマートグリッド環境において量子化異常検出を実現することにより,QMLの大幅なスケーラビリティ問題に対処する。 各種シナリオを対象とした実験により,QUPIDとR-QUPIDの有効性を実証し,従来のML手法と比較して異常検出能力とロバスト性を大幅に改善した。

関連論文リスト

• Learning to Program Quantum Measurements for Machine Learning [10.617463958884528]
  高性能量子機械学習モデルの開発には、専門家レベルの専門知識が必要である。 本稿では,量子系の可観測性,特にエルミート行列の学習性を示す革新的なフレームワークを提案する。 提案手法は変動量子回路内で観測可能を動的にプログラムし,既存の手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-18T02:39:22Z)
• Network Attack Traffic Detection With Hybrid Quantum-Enhanced Convolution Neural Network [9.466909402552844]
  量子機械学習(QML)は、量子コンピューティングと機械学習(ML)の機能を組み合わせる 本稿では、悪意のあるトラフィックを検出するために、量子畳み込みニューラルネットワーク(QCNN)の新たなハイブリッド構造の設計と提案に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-29T05:23:27Z)
• Exploring the Vulnerabilities of Machine Learning and Quantum Machine Learning to Adversarial Attacks using a Malware Dataset: A Comparative Analysis [0.0]
  機械学習(ML)と量子機械学習(QML)は、複雑な問題に対処する上で大きな可能性を示している。 敵攻撃に対する感受性は、これらのシステムをセキュリティに敏感なアプリケーションにデプロイする際の懸念を引き起こす。 本稿では,マルウェアデータセットを用いた敵攻撃に対するMLモデルとQNNモデルの脆弱性の比較分析を行う。
  論文  参考訳（メタデータ） (2023-05-31T06:31:42Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Benchmarking Adversarially Robust Quantum Machine Learning at Scale [20.76790069530767]
  簡単な画像データセットと複雑な画像データセットの両方に対して厳密なトレーニングを行うことで、量子MLネットワークのロバスト性をベンチマークする。 以上の結果から,QVCは古典的敵意攻撃に対して顕著に強靭性を示した。 量子と古典的ネットワークの結果を組み合わせることで,新たな敵攻撃検出技術を提案する。
  論文  参考訳（メタデータ） (2022-11-23T03:26:16Z)
• Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
  本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。 二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
  論文  参考訳（メタデータ） (2022-09-07T15:50:00Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。