論文の概要: Formulating Subgroup Discovery as a Quantum Optimization Problem for Network Security

• arxiv url: http://arxiv.org/abs/2604.27153v1
• Date: Wed, 29 Apr 2026 20:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.785977
• Title: Formulating Subgroup Discovery as a Quantum Optimization Problem for Network Security
• Title（参考訳）: ネットワークセキュリティのための量子最適化問題としての部分群探索法
• Authors: Samuel Spell, Chi-Ren Shyu,
• Abstract要約: サブグループディスカバリ(SD)は、アタックトラフィックに関連する機能インタラクションを特徴付けるルールを構築することで対処する。 本稿では,NSL-KDDを用いたネットワーク侵入検出に応用したSD用量子拡張パイプラインを提案し,SDを量子最適化として初めて定式化した。
• 参考スコア（独自算出の注目度）: 0.21485350418225238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While current network intrusion detection systems achieve satisfactory accuracy, they often lack explainability. Subgroup Discovery (SD) addresses this by building interpretable rules that characterize feature interactions associated with attack traffic. With large datasets, classical heuristic beam search methods struggle with exponentially scaling search spaces and can prune critical multi-feature interactions. This paper introduces a quantum-enhanced pipeline for SD applied to network intrusion detection using NSL-KDD, formulating SD as quantum optimization for the first time. By encoding feature selection as a Quadratic Unconstrained Binary Optimization (QUBO) and solving it via the Quantum Approximate Optimization Algorithm (QAOA) on IBM Quantum hardware (ibm_pittsburgh), the pipeline identifies subgroups of network features that discriminate normal from attack traffic. A least-squares regression QUBO formulation fits the Weighted Relative Accuracy (WRAcc) landscape over feature subsets, with surrogate sampling for larger QUBOs. Results are benchmarked against exhaustive enumeration and Beam Search using ratios for Hamiltonian quality and WRAcc. Hardware scaling experiments on ibm_pittsburgh (10-30 qubits) reveal that QAOA at depth p = 1 shows WRAcc ratios of 0.983 at 10 qubits, 0.971 at 15 qubits, 0.855 at 20 qubits, and 0.624 at 25 qubits, degrading to 0.039 at 30 qubits as circuit noise dominates, establishing an empirical NISQ scaling boundary. Results demonstrate that QAOA discovers subgroups competitive with classical heuristics and finds multi-feature interaction patterns that greedy Beam Search prunes, with QAOA-unique subgroups achieving up to 99.6% test precision. This work establishes a framework for quantum combinatorial optimization in cybersecurity and characterizes hardware scaling for NISQ devices.
• Abstract（参考訳）: 現在のネットワーク侵入検知システムは良好な精度を達成しているが、説明性に欠けることが多い。 サブグループディスカバリ(SD)は、攻撃トラフィックに関連する機能インタラクションを特徴付ける解釈可能なルールを構築することで、この問題に対処する。 大規模なデータセットでは、古典的ヒューリスティックビームサーチ手法は指数関数的に探索空間をスケールするのに苦労し、重要な多機能相互作用を創出することができる。 本稿では,NSL-KDDを用いたネットワーク侵入検出に応用したSD用量子拡張パイプラインを提案し,SDを量子最適化として初めて定式化した。 疑似非拘束バイナリ最適化(QUBO)として機能選択を符号化し、IBM Quantumハードウェア(ibm_pittsburgh)上の量子近似最適化アルゴリズム(QAOA)を介してそれを解くことにより、パイプラインは攻撃トラフィックから正常を識別するネットワーク機能のサブグループを特定する。 最小二乗回帰QUBOの定式化は、特徴部分集合上の重み付き相対精度(WRAcc)のランドスケープに適合する。 その結果、ハミルトン品質とWRAccの比率を用いて、総列挙とビームサーチを比較した。 ibm_pittsburgh (10-30 qubits) のハードウェアスケーリング実験により、深さ p = 1 の QAOA は、10 qubits の 0.983 、、15 qubits の 0.971 、20 qubits の 0.855 、25 qubits の 0.624 の WRAcc 比を示し、回路ノイズが支配する30 qubits の 0.039 まで低下し、経験的な NISQ のスケーリング境界を確立した。 その結果、QAOAは古典的ヒューリスティックスと競合するサブグループを発見し、また、QAOA-ユニクなサブグループは99.6%の精度で、欲求的なビームサーチプルーンの多機能相互作用パターンを発見した。 この研究は、サイバーセキュリティにおける量子組合せ最適化のためのフレームワークを確立し、NISQデバイスのハードウェアスケーリングを特徴付ける。

関連論文リスト

• Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks [0.0]
  効率的なデータローディングは、短期的な量子機械学習のボトルネックであり続けている。 ハードウェアのネイティブリソースを分散するデータ埋め込み戦略であるShot-Based Quantum Coherence(SBQE)を紹介した。 SBQEは、重みが量子回路によって実現される多層パーセプトロンと構造的に等価であることを示す。
  論文  参考訳（メタデータ） (2026-04-07T17:44:37Z)
• A Scalable Distributed Quantum Optimization Framework via Factor Graph Paradigm [46.08923284345648]
  分散量子最適化のための構造認識フレームワークを提案する。 検索スペースが$N$の場合、我々のフレームワークはプロセッサやセパレータに依存した要素に対して$O(sqrtN)$クエリ複雑性を達成する。 構造を考慮した分解は、量子ネットワーク上でのスケーラブルな分散量子最適化に実践的な道をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-03-08T15:15:52Z)
• Benchmarking Quantum and Classical Algorithms for the 1D Burgers Equation: QTN, HSE, and PINN [0.0]
  本稿では1次元バーガー方程式をシミュレーションするための量子ネットワーク(QTN)、流体力学シュルディンガー方程式(Difference)、物理情報ニューラルネットワーク(PINN)の比較ベンチマークを提案する。 我々は、N=4$から128$までのグリッド解決におけるソリューションの正確性、実行時のスケーリング、リソースオーバーヘッドを分析します。
  論文  参考訳（メタデータ） (2026-02-04T05:57:27Z)
• Solving larger Travelling Salesman Problem networks with a penalty-free Variational Quantum Algorithm [5.690622599243828]
  トラベルセールスマン問題(TSP)はNPハード問題としてよく知られており、ラストマイル配送のような産業用ユースケースがある。 我々は、最大12箇所のネットワークのノイズフリーシミュレーションにおいて、ハイブリッドペナルティフリー回路モデルを用いて高品質な解を提案する。
  論文  参考訳（メタデータ） (2025-12-06T18:21:21Z)
• Improving GANs by leveraging the quantum noise from real hardware [0.0]
  本稿では,GAN(生成逆数ネットワーク)に対する新しいアプローチを提案する。 固有量子乱数性とデバイス固有の不完全性は、GAN性能を高める構造的帰納バイアスを与えることができることを示す。
  論文  参考訳（メタデータ） (2025-07-02T16:56:09Z)
• Evaluating the performance of quantum processing units at large width and depth [0.40964539027092917]
  線形ランプ量子近似最適化アルゴリズム(LR-QAOA)に基づくベンチマークプロトコルを提案する。 LR-QAOAは、回路深度が増加するにつれてコヒーレント信号を保存するQPUの能力を定量化し、ランダムサンプリングと統計的に区別できない性能になるかどうかを特定する。 このプロトコルを6つのベンダーの24の量子プロセッサに適用し、最大156の量子ビットと1Dチェーンにまたがる1万の層、ネイティブレイアウト、完全に接続されたトポロジの問題をテストします。
  論文  参考訳（メタデータ） (2025-02-10T13:50:50Z)
• Training Multi-layer Neural Networks on Ising Machine [41.95720316032297]
  本稿では,量子化ニューラルネットワーク(QNN)を学習するためのIsing学習アルゴリズムを提案する。 私たちが知る限りでは、Isingマシン上で多層フィードフォワードネットワークをトレーニングする最初のアルゴリズムである。
  論文  参考訳（メタデータ） (2023-11-06T04:09:15Z)
• Factorizers for Distributed Sparse Block Codes [45.29870215671697]
  分散ブロック符号(SBC)を高速かつ高精度に分解する手法を提案する。 我々の反復分解器は、しきい値に基づく非線形活性化、条件付きランダムサンプリング、および $ell_infty$-based similarity metricを導入している。 CIFAR-100, ImageNet-1K, RAVENデータセット上での4つの深層CNNアーキテクチャの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-03-24T12:31:48Z)
• SDQ: Stochastic Differentiable Quantization with Mixed Precision [46.232003346732064]
  本稿では,MPQ戦略を自動的に学習できる新しい微分可能量子化(SDQ)手法を提案する。 最適なMPQ戦略が得られた後、エントロピーを意識したビン正規化と知識蒸留でネットワークを訓練する。 SDQは、最先端の混合データセット、または低いビット幅で単一精度の量子化よりも優れている。
  論文  参考訳（メタデータ） (2022-06-09T12:38:18Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)

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。