論文の概要: Feature-level analysis and adversarial transfer in rotationally equivariant quantum machine learning

• arxiv url: http://arxiv.org/abs/2604.15552v1
• Date: Thu, 16 Apr 2026 22:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.662268
• Title: Feature-level analysis and adversarial transfer in rotationally equivariant quantum machine learning
• Title（参考訳）: 回転同変量子機械学習における特徴レベル解析と逆変換
• Authors: Maureen Krumtünger, Martin Sevior, Muhammad Usman,
• Abstract要約: 群同変量子モデルは対称性を利用するように設計され、訓練性を向上させることができる。 本研究では,同変量子モデルの特徴レベル解析をトランスファーアタック・セッティングで行うことにより,この問題を考察する。
• 参考スコア（独自算出の注目度）: 0.8609132348927196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Group-equivariant quantum models are designed to exploit symmetry and can improve trainability, but it remains unclear how symmetry constraints shape their adversarial robustness. We study this question through a feature-level analysis of equivariant quantum models in a transfer-attack setting. Under equivariance with an invariant readout, predictions depend only on the group-twirled input, which identifies the symmetry-invariant information accessible to the model together with a complementary uninformative subspace. Specializing this framework to a rotationally equivariant quantum model, we derive an explicit characterization of the accessible information in terms of rotation-invariant image statistics distributed across distinct symmetry sectors. Using targeted input transformations, we determine which of these statistics are actually relied upon for classification across several datasets. We find that equivariance alone does not guarantee transfer robustness: even within the restricted invariant feature space, the model can rely on brittle statistics, particularly ring-averaged intensities in the rotationally equivariant model, that remain vulnerable to classical transfer attacks. Guided by this analysis, we show that suppressing the symmetry sector associated with the brittle feature substantially improves robustness. These results establish a systematic mechanism to exploit symmetry-dependent features for adversarial robustness in future quantum machine learning models.
• Abstract（参考訳）: 群同変量子モデルは対称性を利用するよう設計されており、訓練性を向上させることができるが、対称性の制約が敵の強靭性をどのように形成するかは定かではない。 本研究では,同変量子モデルの特徴レベル解析をトランスファーアタック・セッティングで行うことにより,この問題を考察する。 不変な読み出しと等価な条件下では、予測は群回転入力にのみ依存し、相補的非形式的部分空間とともにモデルからアクセス可能な対称性不変情報を識別する。 この枠組みを回転同変量子モデルに特化することにより、異なる対称性セクターに分散した回転不変画像統計量の観点から、アクセス可能な情報の明示的な特徴付けを導出する。 ターゲットとなる入力変換を用いて、これらの統計のどれが実際に複数のデータセットにまたがる分類に頼っているかを決定する。 制限された不変量空間内でも、モデルは不安定な統計、特に古典的な移動攻撃に弱い回転同変モデルの環平均強度に頼ることができる。 この分析により, 脆性特性に関連する対称性セクターの抑制は, 頑健性を大幅に向上させることを示した。 これらの結果は、将来の量子機械学習モデルにおいて、対称性に依存した特徴を逆方向の堅牢性に活用するための体系的なメカニズムを確立する。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• On Equivariant Model Selection through the Lens of Uncertainty [49.137341292207]
  等変モデルは、予測性能を改善するために対称性に関する事前の知識を活用するが、不特定なアーキテクチャ上の制約がそれを傷つける可能性がある。 我々は、頻繁な(コンフォーマル予測による)、ベイジアン(限界確率による)、およびキャリブレーションに基づく評価による誤りに基づく評価の比較を行った。 不確実性指標は一般的に予測性能と一致するが,ベイズ模型の証拠は矛盾する。
  論文  参考訳（メタデータ） (2025-06-23T13:35:06Z)
• Equivariant Representation Learning for Symmetry-Aware Inference with Guarantees [20.285132886770146]
  本稿では,回帰,条件付き確率推定,不確実性定量化を同時に扱う同変表現学習フレームワークを提案する。 演算子と群表現論を基礎として,条件付き期待演算子のスペクトル分解を近似する。 人工データセットと実世界のロボット工学の応用に関する実証的な評価は、我々のアプローチの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-05-26T10:47:23Z)
• Equivariant score-based generative models provably learn distributions with symmetries efficiently [7.90752151686317]
  実験的な研究により、対称性を生成モデルに組み込むことで、より優れた一般化とサンプリング効率が得られることが示されている。 我々は,ある群対称性に対して不変な分布を学習するためのスコアベース生成モデル(SGM)の最初の理論的解析と保証を提供する。
  論文  参考訳（メタデータ） (2024-10-02T05:14:28Z)
• Symmetry Breaking and Equivariant Neural Networks [17.740760773905986]
  我々は「緩和された同注入」という新しい概念を導入する。 我々は、この緩和を同変多層パーセプトロン(E-MLP)に組み込む方法を示す。 対称性の破れの関連性は、様々な応用領域で議論される。
  論文  参考訳（メタデータ） (2023-12-14T15:06:48Z)
• Equivariant Disentangled Transformation for Domain Generalization under Combination Shift [91.38796390449504]
  ドメインとラベルの組み合わせは、トレーニング中に観察されるのではなく、テスト環境に現れる。 我々は、同型の概念、同値性、および整合性の定義に基づく結合シフト問題の一意的な定式化を提供する。
  論文  参考訳（メタデータ） (2022-08-03T12:31:31Z)
• Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
  我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。 これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。 我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
  論文  参考訳（メタデータ） (2021-09-27T17:45:42Z)
• Learning Equivariant Energy Based Models with Equivariant Stein Variational Gradient Descent [80.73580820014242]
  本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。 まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。 我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
  論文  参考訳（メタデータ） (2021-06-15T01:35:17Z)
• Inverse Learning of Symmetries [71.62109774068064]
  2つの潜在部分空間からなるモデルで対称性変換を学ぶ。 我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。 我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-02-07T13:48:52Z)

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。