論文の概要: QCL-IDS: Quantum Continual Learning for Intrusion Detection with Fidelity-Anchored Stability and Generative Replay
- arxiv url: http://arxiv.org/abs/2601.21318v1
- Date: Thu, 29 Jan 2026 06:27:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.619646
- Title: QCL-IDS: Quantum Continual Learning for Intrusion Detection with Fidelity-Anchored Stability and Generative Replay
- Title（参考訳）: QCL-IDS:有限アンコール安定性と生成再生による侵入検出のための量子連続学習
- Authors: Zirui Zhu, Xiangyang Li,
- Abstract要約: 継続的な侵入検知は、厳密な運用上の制約の下でレガシー検出能力を保ちながら、新たに出現する攻撃段階を吸収しなければならない。
NISQパイプラインの安定性とプライバシを優先したリハーサルを共設計する量子中心型連続学習フレームワークであるQCL-IDSを提案する。
- 参考スコア（独自算出の注目度）: 7.4107299737728445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continual intrusion detection must absorb newly emerging attack stages while retaining legacy detection capability under strict operational constraints, including bounded compute and qubit budgets and privacy rules that preclude long-term storage of raw telemetry. We propose QCL-IDS, a quantum-centric continual-learning framework that co-designs stability and privacy-governed rehearsal for NISQ-era pipelines. Its core component, Q-FISH (Quantum Fisher Anchors), enforces retention using a compact anchor coreset through (i) sensitivity-weighted parameter constraints and (ii) a fidelity-based functional anchoring term that directly limits decision drift on representative historical traffic. To regain plasticity without retaining sensitive flows, QCL-IDS further introduces privacy-preserved quantum generative replay (QGR) via frozen, task-conditioned generator snapshots that synthesize bounded rehearsal samples. Across a three-stage attack stream on UNSW-NB15 and CICIDS2017, QCL-IDS consistently attains the best retention-adaptation trade-off: the gradient-anchor configuration achieves mean Attack-F1 = 0.941 with forgetting = 0.005 on UNSW-NB15 and mean Attack-F1 = 0.944 with forgetting = 0.004 on CICIDS2017, versus 0.800/0.138 and 0.803/0.128 for sequential fine-tuning, respectively.
- Abstract（参考訳）: 連続侵入検知は、厳密な運用上の制約の下でレガシー検出能力を保ちながら、新たな攻撃段階を吸収しなくてはならない。
NISQパイプラインの安定性とプライバシを優先したリハーサルを共設計する量子中心型連続学習フレームワークであるQCL-IDSを提案する。
コアコンポーネントであるQ-FISH(Quantum Fisher Anchors)は、コンパクトアンカーコアセットを通した保持を強制する。
一 感度重み付きパラメータ制約及び
(二)代表的歴史的交通量に対する決定のドリフトを直接制限する忠実度に基づく機能的アンカー用語。
敏感な流れを保持することなく可塑性を取り戻すため、QCL-IDSはさらに、制限されたリハーサルサンプルを合成する凍結されたタスク条件のジェネレータスナップショットを介して、プライバシー保護された量子生成リプレイ(QGR)を導入する。
UNSW-NB15の3段階攻撃ストリームとCICIDS2017の3段階攻撃ストリームで、QCL-IDSは一貫して最高の保持適応トレードオフを達成する: 勾配アンカー構成は、UNSW-NB15のアタック-F1 = 0.941、CICIDS2017のアタック-F1 = 0.944、CICIDS2017のアタック-F1 = 0.004、シーケンシャル微調整では 0.800/0.138 と 0.803/0.128 である。
関連論文リスト
- AmbShield: Enhancing Physical Layer Security with Ambient Backscatter Devices against Eavesdroppers [69.56534335936534]
AmbShieldは自然分布のAmBDを利用して正規チャネルを強化し、eavesdropperを分解するAmBD支援PSSスキームである。
AmbShieldでは、AmBDはランダムに後方散乱して盗聴者の干渉を発生させるフレンドリーなジャマーとして利用され、受動的リレーは所望の信号を後方散乱して正当な装置の容量を高める。
論文 参考訳（メタデータ） (2026-01-14T20:56:50Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Noise-Resilient Quantum Aggregation on NISQ for Federated ADAS Learning [0.0]
本稿では、ノイズ耐性量子フェデレートラーニング(NR-QFL)を紹介する。
ノイズ中間スケール量子(NISQ)条件下で動作している変分量子回路(VQC)を介して、セキュアで低レイテンシのアグリゲーションを可能にする。
このフレームワークは量子強化フェデレーション学習のためのスケーラブルな基盤を確立し、車両のエッジでセキュアで効率的で動的に安定したADASインテリジェンスを実現する。
論文 参考訳（メタデータ） (2025-12-15T11:10:40Z) - QuCoWE Quantum Contrastive Word Embeddings with Variational Circuits for NearTerm Quantum Devices [3.9523001246697813]
ハードウェア効率の低いパラメータ化量子回路PQCを対照的なスキップグラムで学習することにより、量子ネイティブな単語埋め込みを学習するフレームワークを提案する。
制御されたリングエンタングルメント類似性を持つデータリロード回路によって単語を符号化し、量子状態フィデリティを介して計算し、ロジットフィデリティヘッドを通過する。
論文 参考訳（メタデータ） (2025-11-13T10:45:15Z) - ZK-SenseLM: Verifiable Large-Model Wireless Sensing with Selective Abstention and Zero-Knowledge Attestation [0.0]
ZK-SenseLMはセキュアで監査可能な無線センシングフレームワークである。
Wi-Fiチャネル状態情報のための大モデルエンコーダと、ポリシ基底決定層と、推論のゼロ知識証明とをペアリングする。
論文 参考訳（メタデータ） (2025-10-29T16:43:07Z) - Tail-Safe Hedging: Explainable Risk-Sensitive Reinforcement Learning with a White-Box CBF--QP Safety Layer in Arbitrage-Free Markets [4.235667373386689]
Tail-Safeは、デリバティブヘッジのためのデプロイ性指向のフレームワークである。
学習コンポーネントは、IQNベースの分布批判とCVaRの目的を組み合わせる。
安全コンポーネントは、ドメイン固有の制約とともに離散時間CBF不等式を強制する。
論文 参考訳（メタデータ） (2025-10-06T07:39:45Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - ACL-QL: Adaptive Conservative Level in Q-Learning for Offline Reinforcement Learning [46.67828766038463]
本稿では,Q-Learning(ACL-QL)における適応保守レベル(Adaptive Conservative Level in Q-Learning, ACL-QL)を提案する。
ACL-QLは、各状態-作用ペアに対する保守的なレベルの適応的な制御を可能にする。
理論解析により,2つの学習可能な適応重み関数を用いて各遷移の保守レベルを制御する新しいアルゴリズム ACL-QL を提案する。
論文 参考訳（メタデータ） (2024-12-22T04:18:02Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z)
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。