論文の概要: Quantum Subliminal Learning

• arxiv url: http://arxiv.org/abs/2605.29557v1
• Date: Thu, 28 May 2026 08:11:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.050377
• Title: Quantum Subliminal Learning
• Title（参考訳）: 量子サブリミナル学習
• Authors: Shi-Xin Zhang, Yu-Qin Chen,
• Abstract要約: 機械学習モデルは、無害な公開インターフェースを通じて隠れた行動特性を継承することができる。 本研究では,ランダムな入力に対する補助チャネルと制限されたタスクチャネルの2つの蒸留経路について検討する。 古典的および量子ニューラルネットワーク(QNN)は、効率的な補助チャネルサブリミナル学習を示す。
• 参考スコア（独自算出の注目度）: 0.8312877398178786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models can inherit hidden behavioral traits through innocuous public interfaces, a phenomenon known as subliminal learning. Here we extend this framework to quantum models and study two distillation pathways: an auxiliary channel on random inputs and a restricted task channel in which the student matches a public supervised output while the hidden behavior resides on a disjoint task. Both classical and quantum neural networks (QNNs) exhibit efficient auxiliary-channel subliminal learning, but the task channel shows strong architecture dependence. Classical neural networks transmit little hidden-task information through the public-task interface, whereas QNNs retain most of the hidden-task signal. We show that a unified geometric picture explains both regimes: transmission is controlled by the teacher drift magnitude together with the fraction of hidden-task-relevant drift that remains visible through the public interface. These results identify a concrete security concern for quantum model supply chains and suggest a controlled route for hidden-information transfer in quantum information processing.
• Abstract（参考訳）: 機械学習モデルは、サブリミナルラーニング(subliminal learning)として知られる、無害な公開インターフェースを通じて隠れた行動特性を継承することができる。 ここでは、この枠組みを量子モデルに拡張し、2つの蒸留経路について研究する。ランダムな入力に対する補助チャネルと、学生が非結合なタスクに隠れている間に、公的な教師付き出力と一致する制限されたタスクチャネルである。 古典的および量子ニューラルネットワーク(QNN)は、効率的な補助チャネルサブリミナル学習を示すが、タスクチャネルは強いアーキテクチャ依存を示す。 古典的なニューラルネットワークは、公開タスクインタフェースを通じて隠れタスク情報をほとんど送信しないが、QNNは隠れタスク信号の大部分を保持する。 送信は教師のドリフト等級によって制御され、公衆インターフェースを通して見える隠れタスク関連ドリフトの分数とともに制御される。 これらの結果は、量子モデルサプライチェーンの具体的なセキュリティ上の問題を特定し、量子情報処理における隠蔽情報伝達の制御経路を提案する。

関連論文リスト

• Dissipation-driven quantum generative adversarial networks [11.833077116494929]
  本稿では,従来のデータ生成に適した,分散駆動型量子生成逆数ネットワーク(DQGAN)アーキテクチャを提案する。 古典データは、強い調整された散逸過程を通じて入力層の入力量子ビットに符号化される。 出力量子ビットの定常状態の可観測値を測定することにより、生成されたデータと分類結果の両方を抽出する。
  論文  参考訳（メタデータ） (2024-08-28T07:41:58Z)
• Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師付き画像復調(SSID)におけるニューラルネットワークアーキテクチャとして広く使われている。 本研究では,Transformer ベースの Blind-Spot Network (TBSN) を構築した。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• Neuro-mimetic Task-free Unsupervised Online Learning with Continual Self-Organizing Maps [56.827895559823126]
  自己組織化マップ(英: Self-organizing map、SOM)は、クラスタリングや次元減少によく用いられるニューラルネットワークモデルである。 低メモリ予算下でのオンライン教師なし学習が可能なSOM(連続SOM)の一般化を提案する。 MNIST, Kuzushiji-MNIST, Fashion-MNISTなどのベンチマークでは, ほぼ2倍の精度が得られた。
  論文  参考訳（メタデータ） (2024-02-19T19:11:22Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Quantum Convolutional Neural Networks for Multi-Channel Supervised Learning [0.0]
  本稿では,畳み込みカーネルとして使用するハードウェア適応型量子回路について述べる。 提案する量子ニューラルネットワークは,マルチチャネルデータを含む分類タスクにおいて,既存のQCNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-30T11:48:12Z)
• The platypus of the quantum channel zoo [12.4245398967236]
  我々は、エキゾチックな量子情報理論を持つ、単純で低次元の量子チャネル群について研究する。 クエットチャネルを2つの方法で一般化し、その結果のチャネルとその容量も同様にリッチな振る舞いを示す。
  論文  参考訳（メタデータ） (2022-02-16T23:54:07Z)
• Quantum Self-Supervised Learning [22.953284192004034]
  対照的自己監督学習のための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を提案する。 ibmq_paris量子コンピュータ上の見えない画像を分類するために、最良の量子モデルを適用します。
  論文  参考訳（メタデータ） (2021-03-26T18:00:00Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
  グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。 この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。 我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
  論文  参考訳（メタデータ） (2020-01-15T18:36:53Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。