論文の概要: QShield: Securing Neural Networks Against Adversarial Attacks using Quantum Circuits
- arxiv url: http://arxiv.org/abs/2604.10933v1
- Date: Mon, 13 Apr 2026 03:09:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.287208
- Title: QShield: Securing Neural Networks Against Adversarial Attacks using Quantum Circuits
- Title（参考訳）: QShield: 量子回路を用いた敵攻撃に対するニューラルネットワークのセキュア化
- Authors: Navid Azimi, Aditya Prakash, Yao Wang, Li Xiong,
- Abstract要約: モジュール型ハイブリッド量子古典ニューラルネットワークアーキテクチャであるQShieldを紹介する。
QShieldは古典的なディープラーニングモデルの対角的堅牢性を高めるように設計されている。
- 参考スコア（独自算出の注目度）: 6.335201201807785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks remain highly vulnerable to adversarial perturbations, limiting their reliability in security- and safety-critical applications. To address this challenge, we introduce QShield, a modular hybrid quantum-classical neural network (HQCNN) architecture designed to enhance the adversarial robustness of classical deep learning models. QShield integrates a conventional convolutional neural network (CNN) backbone for feature extraction with a quantum processing module that encodes the extracted features into quantum states, applies structured entanglement operations under realistic noise models, and outputs a hybrid prediction through a dynamically weighted fusion mechanism implemented via a lightweight multilayer perceptron (MLP). We systematically evaluate both classical and hybrid quantum-classical models on the MNIST, OrganAMNIST, and CIFAR-10 datasets, using a comprehensive set of robustness, efficiency, and computational performance metrics. Our results demonstrate that classical models are highly vulnerable to adversarial attacks, whereas the proposed hybrid models with entanglement patterns maintain high predictive accuracy while substantially reducing attack success rates across a wide range of adversarial attacks. Furthermore, the proposed hybrid architecture significantly increased the computational cost required to generate adversarial examples, thereby introducing an additional layer of defense. These findings indicate that the proposed modular hybrid architecture achieves a practical balance between predictive accuracy and adversarial robustness, positioning it as a promising approach for secure and reliable machine learning in sensitive and safety-critical applications.
- Abstract（参考訳）: ディープニューラルネットワークは、敵の摂動に対して非常に脆弱であり、セキュリティおよび安全クリティカルなアプリケーションにおける信頼性を制限している。
この課題に対処するために,古典的なディープラーニングモデルの対角的堅牢性を高めるために設計された,モジュール型ハイブリッド量子古典ニューラルネットワーク(HQCNN)アーキテクチャであるQShieldを紹介した。
QShieldは、特徴抽出のための従来の畳み込みニューラルネットワーク(CNN)バックボーンと、抽出した特徴を量子状態に符号化する量子処理モジュールを統合し、現実的なノイズモデルの下で構造化された絡み合い操作を適用し、軽量多層パーセプトロン(MLP)を介して実装された動的重み付き融合機構を通じてハイブリッド予測を出力する。
我々は、MNIST、OrganAMNIST、CIFAR-10データセットの古典的およびハイブリッドな量子古典モデルの両方を、総合的な堅牢性、効率、計算性能の指標を用いて体系的に評価した。
その結果、従来のモデルでは敵攻撃に対して脆弱であり、一方、絡み合いパターンを持つハイブリッドモデルは高い予測精度を維持しつつ、幅広い敵攻撃に対する攻撃成功率を大幅に低減していることがわかった。
さらに, ハイブリッドアーキテクチャは, 逆例を生成するのに要する計算コストを大幅に増加させ, 防御層を付加した。
これらの結果から,モジュール型ハイブリッドアーキテクチャは,予測精度と対向ロバスト性の現実的なバランスを達成し,センシティブかつ安全クリティカルなアプリケーションにおいて,セキュアで信頼性の高い機械学習を実現するための有望なアプローチとして位置づけられている。
関連論文リスト
- Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
犯罪パターン分析は法執行機関と予測警察にとって重要である。
急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。
本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-08T06:05:25Z) - Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。
このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。
我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
論文 参考訳（メタデータ） (2026-01-29T14:29:21Z) - Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis [1.2676356746752895]
本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。
量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。
結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
論文 参考訳（メタデータ） (2026-01-05T16:11:39Z) - Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection [0.4369550829556577]
本稿では,グラフニューラルネットワーク(GNN),リカレントニューラルネットワーク(RNN),マルチヘッドアテンション機構を相乗的に組み合わせたハイブリッドディープラーニングアーキテクチャを提案する。
提案手法は,グラフ構造関係とネットワークイベントの逐次解析により,空間的依存関係を効果的に捉える。
統合されたアテンションメカニズムは、モデル解釈可能性の改善と機能選択の強化という2つの利点を提供し、サイバーセキュリティアナリストは、高インパクトなセキュリティイベントに計算リソースを集中させることができる。
論文 参考訳（メタデータ） (2025-10-29T03:47:02Z) - A Novel XAI-Enhanced Quantum Adversarial Networks for Velocity Dispersion Modeling in MaNGA Galaxies [14.016108312641101]
本稿では,従来のディープラーニング層とハイブリッド量子ニューラルネットワーク(QNN)を統合した新しい量子対向フレームワークを提案する。
提案モデルでは,予測精度とモデル説明可能性の両方を最適化し,QNNを並列に導出する。
実証的な評価は、バニラモデルがRMSE = 0.27、MSE = 0.071、MAE = 0.21、R2 = 0.59を達成し、敵のモデルと比較して最も一貫したパフォーマンスを提供することを示している。
論文 参考訳（メタデータ） (2025-10-28T16:27:10Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
この仕事は、数発の信用リスク評価の課題に取り組む。
我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。
量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。
実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
論文 参考訳（メタデータ） (2025-09-17T08:36:05Z) - 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) - 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) - Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions [6.699192644249841]
回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上など、債券投資戦略において重要な役割を担っている。
本稿では,Amplitudeを用いたハイブリッド量子機械学習(QML)モデルを提案する。
我々は1996年から2023年までの1,725の観測結果からなる地球規模の回復率データセット上でモデルを評価した。
論文 参考訳（メタデータ） (2025-01-27T07:27:23Z)
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。