論文の概要: Verifying Adversarial Robustness in Quantum Machine Learning: from theory to physical validation via a software tool

• arxiv url: http://arxiv.org/abs/2605.29877v1
• Date: Thu, 28 May 2026 13:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.258045
• Title: Verifying Adversarial Robustness in Quantum Machine Learning: from theory to physical validation via a software tool
• Title（参考訳）: 量子機械学習における逆数ロバスト性の検証--理論からソフトウェアツールによる物理的検証まで
• Authors: Ji Guan, Mingsheng Ying,
• Abstract要約: 量子機械学習(QML)モデルの堅牢性を証明することは、信頼できる量子AIに向けた基本的なステップである。 この章では、最近開発されたQMLにおける敵の堅牢性を検証するための包括的形式的枠組みについてレビューする。 これらの結果は,(1)効率的な形式検証フレームワーク,(2)最初の専用QMLロバスト性検証ツールであるVeriQR,(3)20量子ビット超伝導プロセッサ上での量子対向ロバスト性に関する最初の実験的ベンチマークである。
• 参考スコア（独自算出の注目度）: 6.869173462284015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As with classical neural networks, quantum machine learning (QML) models are vulnerable to small input perturbations that can significantly alter output predictions. Certifying the robustness of QML models, particularly on NISQ hardware, is therefore a fundamental step toward trustworthy quantum AI. This chapter reviews our recently developed comprehensive formal framework for verifying adversarial robustness in QML. The core of this framework is a fidelity-based robustness lower bound computable directly from the measurement outcome distribution, which enables both formal verification and empirical estimation on real quantum devices. Additionally, the optimal bound can be computed via semidefinite programming (SDP) with full knowledge of the quantum machine learning models. We incorporate these results into: (1) an efficient formal verification framework; (2) VeriQR, the first dedicated QML robustness verification tool; and (3) the first experimental benchmark of quantum adversarial robustness on a 20-qubit superconducting processor. Together, these systematic advances enable scalable, physically grounded robustness evaluation of QML models.
• Abstract（参考訳）: 古典的ニューラルネットワークと同様に、量子機械学習(QML)モデルは、出力予測を著しく変更できる小さな入力摂動に対して脆弱である。 したがって、特にNISQハードウェア上でのQMLモデルの堅牢性を証明することは、信頼できる量子AIに向けた基本的なステップである。 この章では、最近開発されたQMLにおける敵の堅牢性を検証するための包括的形式的枠組みについてレビューする。 このフレームワークの中核は、測定結果分布から直接計算可能な忠実度に基づくロバスト性の下界であり、実際の量子デバイス上での形式的検証と経験的推定の両方を可能にする。 さらに、最適境界は、量子機械学習モデルの完全な知識を持つ半定値プログラミング(SDP)によって計算することができる。 これらの結果は,(1)効率的な形式検証フレームワーク,(2)最初の専用QMLロバスト性検証ツールであるVeriQR,(3)20量子ビット超伝導プロセッサ上での量子対向ロバスト性に関する最初の実験的ベンチマークである。 これらの体系的な進歩は、スケーラブルで物理的に基礎付けられたQMLモデルのロバストネス評価を可能にする。

関連論文リスト

• Physics Informed Generative Machine Learning for Accelerated Quantum-centric Supercomputing [0.46906883107634084]
  PIGen-SQDは、生成機械学習(ML)の機能を利用する、効率的に設計された量子スーパーコンピュータ(QCSC)ワークフローである。 PIGen-SQDはQCSCアルゴリズムの堅牢性とスケーラビリティを向上し、実用規模の量子ハードウェア上での化学的に信頼性の高い量子シミュレーションへの有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-12-07T14:27:12Z)
• FD4QC: Application of Classical and Quantum-Hybrid Machine Learning for Financial Fraud Detection A Technical Report [36.1999598554273]
  本稿では、古典的、量子的、量子ハイブリッドな機械学習モデルによる不正な金融活動のバイナリな行動分類の有効性について検討・比較する。 我々は、IBM Anti-Money Laundering (AML)データセット上で、さまざまなモデルを実装し、評価する。 実世界展開用に設計された実用的なAPI駆動システムアーキテクチャであるFD4QC(Fraud Detection for Quantum Computing)を提案する。
  論文  参考訳（メタデータ） (2025-07-25T16:08:22Z)
• 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)
• 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)
• 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)
• 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)
• 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)

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。