論文の概要: Scalable Malware Family Classification Using Quantum Kernel Based Machine Learning

• arxiv url: http://arxiv.org/abs/2606.16191v1
• Date: Mon, 15 Jun 2026 04:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.074101
• Title: Scalable Malware Family Classification Using Quantum Kernel Based Machine Learning
• Title（参考訳）: 量子カーネルに基づく機械学習を用いたスケーラブルなマルウェア家族分類
• Authors: Ratun Rahman, Hassan Jalil Hadi, Christopher Gabriel Pedraza Pohlenz, Ali Shoker,
• Abstract要約: マルウェアファミリー分類のためのスケーラブルなQuantum Kernel-based Machine Learning (QKML) フレームワークを提案する。 提案フレームワークは、実行ファイルから構造的特徴を抽出し、教師付き線形識別分析(LDA)プロジェクションを用いて、コンパクトなクラス認識表現を生成する。 提案モデルでは,80.88%の精度で分類性能が向上し,従来の機械学習ベースラインを上回った。
• 参考スコア（独自算出の注目度）: 3.7600274260225515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The classification of malware families is a key challenge in cybersecurity, which enables threat attribution, analysis of attack operations, and the formulation of effective defense strategies. Emerging malware samples are becoming increasingly structurally similar and obfuscated, making accurate multiclass classification challenging for traditional machine learning models, especially when deployed at scale. In this research, we propose a scalable Quantum Kernel-based Machine Learning (QKML) framework for malware family classification that addresses both accuracy and efficiency constraints. The proposed framework extracts structural features from executable files and uses a supervised Linear Discriminant Analysis (LDA) projection to generate a compact, class-aware representation well suited for quantum processing. The nonlinear relationships among malware families are captured using a fidelity-based quantum kernel built from parameterized quantum circuits. We use the Nyström approximation method to obtain a low-rank approximation of the quantum kernel, which enables effective multiclass classification via ridge regression and enables learning from all available training samples without incurring the quadratic computational cost of kernel matrix construction. The proposed model achieves strong classification performance, with 80.88% accuracy, outperforming classical machine learning baselines under identical feature and data splits, according to experimental evaluation on a large-scale malware dataset that includes 18,836 samples across 23 malware families. These findings suggest that scalable quantum-kernel-based machine learning can offer measurable performance advantages for real-world malware family classification tasks.
• Abstract（参考訳）: マルウェアファミリーの分類はサイバーセキュリティにおいて重要な課題であり、脅威の帰属、攻撃行動の分析、効果的な防衛戦略の定式化を可能にしている。 新興マルウェアのサンプルは構造的に類似し、難読化されつつあるため、従来の機械学習モデル、特に大規模にデプロイされた場合、正確なマルチクラス分類が困難になっている。 本研究では,マルウェアファミリー分類のためのスケーラブルなQuantum Kernel-based Machine Learning (QKML)フレームワークを提案する。 提案フレームワークは、実行可能なファイルから構造的特徴を抽出し、教師付き線形識別分析(LDA)プロジェクションを用いて量子処理に適したコンパクトなクラス認識表現を生成する。 マルウェアファミリー間の非線形関係は、パラメータ化量子回路から構築された忠実度に基づく量子カーネルを用いてキャプチャされる。 我々は、Nyström近似法を用いて、量子カーネルの低ランク近似を求め、リッジ回帰による効果的なマルチクラス分類を可能にし、カーネル行列構築の2次計算コストを発生させることなく、利用可能なすべてのトレーニングサンプルから学習することができる。 提案モデルでは,23のマルウェアファミリーを対象とした18,836のサンプルを含む大規模マルウェアデータセットを実験により評価した結果,80.88%の精度で,同じ特徴とデータ分割下での古典的機械学習ベースラインよりも優れた分類性能が得られた。 これらの結果は、スケーラブルな量子カーネルベースの機械学習が、実世界のマルウェアファミリー分類タスクに対して測定可能なパフォーマンス上の利点をもたらすことを示唆している。

関連論文リスト

• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• Quantum Machine Learning with Application to Progressive Supranuclear Palsy Network Classification [0.0]
  進行性核上麻痺(PSP)の診断のための量子機械学習モデルを提案する。 その結果、量子機械学習は古典的なフレームワークよりも顕著に進歩し、性能を上回っていることが示唆された。 特に,IBM量子プラットフォームの量子シミュレータと実チップの両面において,本モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-06T14:16:31Z)
• Ensemble-learning variational shallow-circuit quantum classifiers [4.104704267247209]
  本稿では,ブートストラップ集約と適応的ブースティングという,アンサンブル学習の2つの手法を提案する。 これらのプロトコルは古典的な手書き数字や対称性で保護されたトポロジカルハミルトニアンの量子位相の識別のために例示されている。
  論文  参考訳（メタデータ） (2023-01-30T07:26:35Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Machine Learning Clustering Techniques for Selective Mitigation of Critical Design Features [0.16311150636417257]
  本稿では,機械学習のクラスタリング手法を用いてフリップフロップをグループ化する手法を提案する。 故障シミュレーションのキャンペーンはグループ単位で実行でき、評価の時間とコストを大幅に削減できる。
  論文  参考訳（メタデータ） (2020-08-31T15:03:16Z)

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。