論文の概要: Meta-Quantum Ensemble Framework for Robust Network Intrusion Detection
- arxiv url: http://arxiv.org/abs/2605.28879v1
- Date: Tue, 26 May 2026 08:44:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:54.948438
- Title: Meta-Quantum Ensemble Framework for Robust Network Intrusion Detection
- Title（参考訳）: ロバストネットワーク侵入検出のためのメタ量子アンサンブルフレームワーク
- Authors: Ritvik Bhatnagar, Nouhaila Innan, Angel Arul Jothi J., Muhammad Shafique,
- Abstract要約: 侵入検知システム(IDS)は、厳密な偽陽性制約の下で動作しながら高い検出感度を維持する必要がある。
本研究は、異種量子学習者がIDSタスクに有用かつ非冗長な決定情報を提供できるかどうかを考察する。
本稿では,QSVM と QNN 出力を融合したハイブリッド量子古典的フレームワークである System-Level Meta-Quantum Ensemble (MQE) を提案する。
- 参考スコア（独自算出の注目度）: 2.2133667529581933
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intrusion Detection Systems (IDSs) must maintain high detection sensitivity while operating under strict false-positive constraints, a challenge intensified by class imbalance and heterogeneous IoT traffic. This work investigates whether heterogeneous quantum learners can provide useful and non-redundant decision information for IDS tasks. We study Quantum Support Vector Machines (QSVMs) and Quantum Neural Networks (QNNs), which rely on different learning mechanisms and exhibit distinct prediction behaviors. To combine these models, we propose the System-Level Meta-Quantum Ensemble (MQE), a hybrid quantum-classical framework that fuses QSVM and QNN outputs using a Random Forest meta-learner. The meta-learner captures agreement and disagreement patterns between the quantum branches to improve prediction stability and detection performance. Experiments on TON IoT and CICIDS2017 show that MQE improves selected performance, low-FPR, and reliability metrics over several standalone quantum learners, with gains depending on the dataset, metric, and fusion representation. The results highlight meta-level fusion as a practical strategy for building more reliable QML-based IDS pipelines.
- Abstract（参考訳）: 侵入検知システム(IDS)は、厳密な偽陽性制約の下で動作しながら高い検出感度を維持する必要がある。
本研究は、異種量子学習者がIDSタスクに有用かつ非冗長な決定情報を提供できるかどうかを考察する。
量子支援ベクトルマシン(QSVM)と量子ニューラルネットワーク(QNN)について検討した。
これらのモデルを組み合わせるために、Random Forestメタラーナーを用いてQSVMとQNN出力を融合するハイブリッド量子古典的フレームワークであるSystem-Level Meta-Quantum Ensemble (MQE)を提案する。
メタリアナは、予測安定性と検出性能を改善するために、量子ブランチ間の一致と不一致パターンをキャプチャする。
TON IoTとCICIDS2017の実験によると、MQEは、いくつかのスタンドアロン量子学習者に対して、選択されたパフォーマンス、低FPR、信頼性のメトリクスを改善し、データセット、メトリック、融合表現に依存している。
その結果、QMLベースのより信頼性の高いIDSパイプラインを構築するための実用的な戦略として、メタレベルの融合が強調された。
関連論文リスト
- Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning [43.509065918669314]
連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。
高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
論文 参考訳（メタデータ） (2026-01-11T03:40:45Z) - Adapting Quantum Machine Learning for Energy Dissociation of Bonds [6.247064060111601]
ボンドエネルギー予測のための量子および古典的機械学習モデルの比較ベンチマークを示す。
トップパフォーマンス量子モデル(QCNN, QRF)は、古典的なアンサンブルやディープネットワークの予測精度と堅牢性に一致する。
論文 参考訳（メタデータ） (2025-10-08T01:32:26Z) - Differentially Private Federated Quantum Learning via Quantum Noise [9.540961602976965]
量子連合学習(QFL)は、生のデータ交換なしで分散量子デバイス間で量子機械学習(QML)モデルの協調トレーニングを可能にする。
QFLは、情報プライバシを損なうために共有QMLモデルの更新を悪用できる敵攻撃に対して脆弱なままである。
本稿では,QFLプロセス全体の量子モデルを保護するために量子ノイズを利用する新しいDP機構について検討する。
論文 参考訳（メタデータ） (2025-08-27T22:56:16Z) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - 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) - QSVM-QNN: Quantum Support Vector Machine Based Quantum Neural Network Learning Algorithm for Brain-Computer Interfacing Systems [3.057222561438637]
脳コンピュータインタフェース(BCI)システムは、脳と外部デバイス間の直接通信を可能にする。
進歩にもかかわらず、BCIシステムは、信号の可変性、分類の非効率性、個々のユーザにリアルタイムで適応することの難しさなど、永続的な課題に直面している。
我々は,脳波に基づくBCIタスクの分類精度とロバスト性を改善するために,QSVM-QNNと呼ばれる新しいハイブリッド量子学習モデルを提案する。
論文 参考訳（メタデータ） (2025-05-20T10:48:44Z) - Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
量子機械学習は、環境モニタリング、医療診断、金融モデリングといった様々な応用において有望であることを示している。
重要な課題のひとつは、希少なイベントがスキューデータ分散によって誤って分類される、不均衡なデータセットを扱うことだ。
本稿では,QBNを用いて衛星由来の不均衡データセットを分類し,非スパイル領域とオイルスパイル'を区別するベイズ的手法を提案する。
論文 参考訳（メタデータ） (2024-12-24T15:44:26Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Q-GADMM: Quantized Group ADMM for Communication Efficient Decentralized Machine Learning [66.18202188565922]
我々はQGADMM(QGADMM)という通信効率の高い分散機械学習(ML)アルゴリズムを提案する。
我々は,凸関数に対するQGADMMの収束性を証明しつつ,モデル化レベルとその確率を適応的に調整する新しい量子化法を開発した。
論文 参考訳（メタデータ） (2019-10-23T10:47:06Z)
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。