論文の概要: Q-AGNN: Quantum-Enhanced Attentive Graph Neural Network for Intrusion Detection

• arxiv url: http://arxiv.org/abs/2603.22365v1
• Date: Mon, 23 Mar 2026 05:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.099736
• Title: Q-AGNN: Quantum-Enhanced Attentive Graph Neural Network for Intrusion Detection
• Title（参考訳）: Q-AGNN: 侵入検知のための量子強化された注意グラフニューラルネットワーク
• Authors: Devashish Chaudhary, Sutharshan Rajasegarar, Shiva Raj Pokhrel,
• Abstract要約: 本稿では、侵入検知のための量子拡張検知型グラフネットワークQ-AGNNを提案する。 Q-AGNNはパラメタライズド量子回路(PQC)を利用して、マルチホップ近傍情報を高次元の潜在空間にエンコードする。 大規模実験により,Q-AGNNは最先端のグラフベース手法と比較して,競合性や優れた検出性能を示す。
• 参考スコア（独自算出の注目度）: 7.598284763363093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of interconnected devices, accurately detecting malicious activities in network traffic has become increasingly challenging. Most existing deep learning-based intrusion detection systems treat network flows as independent instances, thereby failing to exploit the relational dependencies inherent in network communications. To address this limitation, we propose Q-AGNN, a Quantum-Enhanced Attentive Graph Neural Network for intrusion detection, where network flows are modeled as nodes and edges represent similarity relationships. Q-AGNN leverages parameterized quantum circuits (PQCs) to encode multi-hop neighborhood information into a high-dimensional latent space, inducing a bounded quantum feature map that implements a second-order polynomial graph filter in a quantum-induced Hilbert space. An attention mechanism is subsequently applied to adaptively weight the quantum-enhanced embeddings, allowing the model to focus on the most influential nodes contributing to anomalous behavior. Extensive experiments conducted on four benchmark intrusion detection datasets demonstrate that Q-AGNN achieves competitive or superior detection performance compared to state-of-the-art graph-based methods, while consistently maintaining low false positive rates under hardware-calibrated noise conditions. Moreover, we also executed the Q-AGNN framework on actual IBM quantum hardware to demonstrate the practical operability of the proposed pipeline under real NISQ conditions. These results highlight the effectiveness of integrating quantum-enhanced representations with attention mechanisms for graph-based intrusion detection and underscore the potential of hybrid quantum-classical learning frameworks in cybersecurity applications.
• Abstract（参考訳）: 相互接続デバイスが急速に成長するにつれ、ネットワークトラフィックにおける悪意ある活動の正確な検出がますます困難になっている。 既存のディープラーニングベースの侵入検知システムは、ネットワークフローを独立したインスタンスとして扱うため、ネットワーク通信に固有の関係性を利用することができない。 この制限に対処するため,ネットワークフローをノードとしてモデル化し,エッジが類似性関係を表す量子強調型グラフニューラルネットワークQ-AGNNを提案する。 Q-AGNNはパラメタライズド量子回路(PQC)を活用して多ホップ近傍情報を高次元の潜在空間に符号化し、量子誘導ヒルベルト空間で2階多項式グラフフィルタを実装する有界量子特徴写像を誘導する。 その後、量子エンハンスド埋め込みを適応的に重み付けするために注意機構が適用され、モデルが異常な振る舞いに寄与する最も影響力のあるノードに焦点を合わせることができる。 4つのベンチマーク侵入検出データセットで実施された広範囲な実験により、Q-AGNNは、最先端のグラフベースの手法と比較して、競合的または優れた検出性能を達成し、ハードウェア校正されたノイズ条件下では、低い偽陽性率を一貫して維持することを示した。 さらに、実際のNISQ条件下で提案したパイプラインの実用運用性を示すために、実際のIBM量子ハードウェア上でQ-AGNNフレームワークを実行した。 これらの結果は、グラフベースの侵入検知のための注意機構と量子強調表現の統合の有効性を強調し、サイバーセキュリティアプリケーションにおけるハイブリッド量子古典学習フレームワークの可能性を強調している。

関連論文リスト

• Modeling Quantum Autoencoder Trainable Kernel for IoT Anomaly Detection [5.822890076771093]
  本稿では,ネットワークトラフィックを潜在表現に圧縮し,侵入検出に量子支援ベクトル分類を用いる量子オートエンコーダフレームワークを提案する。 この研究は、量子機械学習を、現実のサイバーセキュリティの課題に対して実行可能な、ハードウェア対応のソリューションとして確立している。
  論文  参考訳（メタデータ） (2025-11-26T21:45:02Z)
• Quantum Adaptive Excitation Network with Variational Quantum Circuits for Channel Attention [0.2812395851874055]
  量子適応励起ネットワーク(QAE-Net)について紹介する。 QAE-Netは、畳み込みニューラルネットワーク(CNN)におけるチャネルアテンションメカニズムを強化するために設計されたハイブリッド量子古典フレームワークである。
  論文  参考訳（メタデータ） (2025-07-15T11:40:37Z)
• Quantum-driven Zero Trust Framework with Dynamic Anomaly Detection in 7G Technology: A Neural Network Approach [0.0]
  セキュリティ強化のためのQNN-ZTF(Quantum Neural Network-Enhanced Zero Trust Framework)を提案する。 セキュリティ強化のためにZero Trust Architecture, Intrusion Detection Systems, Quantum Neural Networks(QNN)を統合した。 サイバー脅威の軽減効果が向上し, 偽陽性と応答時間を減らすための枠組みの有効性が示された。
  論文  参考訳（メタデータ） (2025-02-11T18:59:32Z)
• Mutual information maximizing quantum generative adversarial networks [9.391818870557545]
  InfoQGANは、InfoGANの原理とQGANアーキテクチャを統合する量子古典的ハイブリッド生成対向ネットワークである。 InfoQGANは、量子発生器における頑健な特徴の絡み合いを達成しつつ、モード崩壊を効果的に軽減することを示す。 これらの結果は、NISQ時代の量子生成モデリングを進化させるアプローチとして、InfoQGANの可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-09-04T05:18:37Z)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。