論文の概要: Efficient Quantum Algorithm for Robust Training

• arxiv url: http://arxiv.org/abs/2603.28332v1
• Date: Mon, 30 Mar 2026 12:03:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.373086
• Title: Efficient Quantum Algorithm for Robust Training
• Title（参考訳）: ロバストトレーニングのための効率的な量子アルゴリズム
• Authors: Yue Wang, Guangyi He, Liepeng Zhang, Lukas Gonon, Qi Zhao,
• Abstract要約: アドリアリトレーニングは、機械学習システムにおける悪意ある入力摂動に対する標準的な防御である。 ここでは局所的安定性と疎性仮定の下で、プロジェクテッド・グラディエント・ロバストなトレーニングのためのエンドツーエンドの量子プロシージャを提案する。
• 参考スコア（独自算出の注目度）: 18.32336518702356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial training is a standard defense against malicious input perturbations in security-critical machine-learning systems. Its main burden is structural: before every parameter update, the current model must first be attacked to find a new adversarial perturbation, making training increasingly expensive and hard to sustain at large-model scale. Here we give an end-to-end quantum procedure for projected-gradient robust training under local stability and sparsity assumptions. The key step is to reformulate the coupled attacker--learner dynamics as a high-dimensional sparse linear system whose terminal block yields the final network-parameter state. In this formulation, the dominant query cost scales linearly with training time steps, up to logarithmic factors, and polylogarithmically with model size, while the full gate complexity records separate input-preparation and sparse-access overheads. This places core computational tasks for AI security on a concrete quantum footing and identifies a regime in which robust-training overhead can be reduced.
• Abstract（参考訳）: 逆行訓練は、セキュリティクリティカルな機械学習システムにおける悪意ある入力摂動に対する標準的な防御である。 その主な負担は構造的であり、全てのパラメーターが更新される前に、現在のモデルはまず新しい逆転の摂動を見つけるために攻撃されなければならない。 ここでは局所的安定性と疎性仮定の下で、プロジェクテッド・グラディエント・ロバストなトレーニングのためのエンドツーエンドの量子プロシージャを提案する。 鍵となるステップは、終端ブロックが最終ネットワークパラメータ状態となる高次元スパース線形システムとして、結合された攻撃者-階層力学を再構成することである。 この定式化では、主要なクエリコストは、トレーニング時間ステップ、対数的要因、モデルサイズと線形にスケールし、フルゲートの複雑性は入力準備とスパースアクセスオーバーヘッドを別々に記録する。 これにより、具体的な量子足場にAIセキュリティのためのコア計算タスクが配置され、堅牢なトレーニングオーバーヘッドを低減できる体制が特定される。

関連論文リスト

• Towards Safe Learning-Based Non-Linear Model Predictive Control through Recurrent Neural Network Modeling [7.815370784443825]
  予測地平線上でパラメータを共有することで,MPC候補制御シーケンスを生成する逐次的ニューラルポリシーであるSequential-AMPCを提案する。 いくつかのベンチマークにおける単純なフィードフォワードポリシーベースラインと比較すると、Sequential-AMPCは専門家のMPCロールアウトをかなり少なくし、高い実行可能性率で候補シーケンスを出力し、クローズドループ安全性を改善している。 高次元システムでは、フィードフォワードベースラインが停滞する安定した検証改善を維持しながら、より少ないエポックでより優れた学習ダイナミクスと性能を示す。
  論文  参考訳（メタデータ） (2026-03-25T16:43:11Z)
• Mixed Precision Training of Neural ODEs [1.3382837742547355]
  本稿では,ニューラルネットワークのための混合精度学習フレームワークを提案する。 明示的なODEソルバとカスタムバックプロパゲーションスキームを組み合わせる。 約50%のメモリ削減と最大2倍のスピードアップを実現し、精度は単精度トレーニングに匹敵する。
  論文  参考訳（メタデータ） (2025-10-27T16:32:56Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• 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)
• Split-Boost Neural Networks [1.1549572298362787]
  本稿では,スプリットブートと呼ばれるフィードフォワードアーキテクチャの革新的なトレーニング戦略を提案する。 このような新しいアプローチは、最終的に正規化項を明示的にモデル化することを避けることができる。 提案した戦略は、ベンチマーク医療保険設計問題内の実世界の(匿名化された)データセットでテストされる。
  論文  参考訳（メタデータ） (2023-09-06T17:08:57Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。