論文の概要: Controlled Steering-Based State Preparation for Adversarial-Robust Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2605.10954v1
• Date: Thu, 30 Apr 2026 16:15:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.746573
• Title: Controlled Steering-Based State Preparation for Adversarial-Robust Quantum Machine Learning
• Title（参考訳）: 逆回転量子機械学習のための制御ステアリングによる状態準備
• Authors: Sahan Sanjaya, Hari Krishna Parvatham, Emma Andrews, Prabhat Mishra,
• Abstract要約: 量子機械学習(QML)は、学習タスクにおける量子力学的効果を活用するための有望なフレームワークを提供する。 古典的な入力に適用される小さな摂動は量子符号化段階を通して伝播し、結果として生じる量子状態を歪ませることができる。 本稿では、QMLモデルの従来の量子符号化段階を受動ステアリングによる制御状態準備に置き換える防衛機構を提案する。
• 参考スコア（独自算出の注目度）: 2.175752761257231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning (QML) provides a promising framework for leveraging quantum-mechanical effects in learning tasks. However, its vulnerability to adversarial perturbations remains a major challenge for practical deployment. In QML systems, small perturbations applied to classical inputs can propagate through the quantum encoding stage and distort the resulting quantum state, thereby degrading model performance. In this work, we propose a defense mechanism that replaces the conventional quantum encoding stage of a QML model with passive steering-based controlled state preparation, which guides the encoded state toward a controlled intermediate state. By tuning the steering strength and the number of steering iterations, the proposed method suppresses the influence of adversarial perturbations while maintaining high clean accuracy and improving adversarial accuracy. Experimental results demonstrate that the passive steering-based defense consistently improves adversarial accuracy across different QML models and datasets under gradient-based adversarial attacks, achieving adversarial accuracy improvements of up to 40.19%.
• Abstract（参考訳）: 量子機械学習(QML)は、学習タスクにおける量子力学的効果を活用するための有望なフレームワークを提供する。 しかし、敵の摂動に対するその脆弱性は、実際的な展開において大きな課題である。 QMLシステムでは、古典的な入力に適用される小さな摂動は量子符号化段階を通して伝播し、結果として生じる量子状態を歪曲し、モデル性能を劣化させる。 本研究では、QMLモデルの従来の量子符号化段階を受動ステアリングに基づく制御状態準備に置き換え、符号化された状態を制御中間状態へ誘導する防衛機構を提案する。 ステアリング強度と操舵回数を調整することにより, 高い清潔さを維持しつつ, 対向的摂動の影響を抑えるとともに, 対向的精度を向上させる。 実験結果から, 受動ステアリングによる防御は, 勾配型攻撃下での異なるQMLモデルとデータセット間の対向精度を一貫して改善し, 対向精度を最大40.19%向上することを示した。

関連論文リスト

• Machine Learning Techniques for Enhancing Quantum Key Distribution [0.0]
  量子鍵分布(QKD)は、量子力学を利用して理論的に破壊不可能なセキュリティを提供する。 現実的な実装は、環境の脆弱性、ノイズ、ハードウェアの不完全さに悩まされている。 最近の機械学習(ML)は、これらの制限に対処し、QKDシステムの現実的な生存性を高める強力なツールとして登場した。
  論文  参考訳（メタデータ） (2026-03-07T23:51:47Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Reinforcement Learning Control of Quantum Error Correction [108.70420561323692]
  量子コンピュータは、エラーから直接自己改善することを学び、決してコンピューティングを止めない。 この研究によって新しいパラダイムが実現された: 量子コンピュータは、そのエラーから直接自己改善を学び、決してコンピューティングを止めない。
  論文  参考訳（メタデータ） (2025-11-11T17:32:25Z)
• Autonomous Floquet Engineering of Bosonic Codes via Reinforcement Learning [4.78580425445851]
  ボソニック符号は連続変数計算システムにおける量子誤り訂正への有望な経路を示す。 本稿では,一般,効率的,耐雑音性に優れたボソニックコードの自動作成のための強化学習支援Floquetエンジニアリング手法を提案する。
  論文  参考訳（メタデータ） (2025-10-25T09:14:55Z)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• Variational Quantum Machine Learning with Quantum Error Detection [0.6435156676256051]
  量子機械学習(QML)は、トレーニングの高速化、信頼性の向上、古典的な分野よりも優れた抽出といったメリットを約束する新興分野である。 量子ハードウェアの実装は、これらのシステムに固有のノイズのために困難であり、量子エラー訂正(QEC)コードを使用する必要がある。 現在のQMLの研究は主に理論的に行われており、しばしばノイズのない環境を仮定し、QECとQMLの統合についてはほとんど洞察を提供していない。
  論文  参考訳（メタデータ） (2025-04-09T10:56:21Z)
• Computable Model-Independent Bounds for Adversarial Quantum Machine Learning [4.857505043608425]
  本稿では、量子ベースの逆数攻撃に対するモデルレジリエンスを評価する際に、逆数誤差の近似的下界について紹介する。 最良の場合、実験誤差は推定境界より10%だけ高く、量子モデルの本質的なロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-11T10:56:31Z)
• GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
  GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。 GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。 GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
  論文  参考訳（メタデータ） (2024-01-25T11:11:16Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)

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。