論文の概要: Evaluation of Variational Quantum Classifiers (VQC) for Cyberattack Detection in the NISQ Era
- arxiv url: http://arxiv.org/abs/2606.21715v1
- Date: Fri, 19 Jun 2026 20:00:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 03:50:05.857061
- Title: Evaluation of Variational Quantum Classifiers (VQC) for Cyberattack Detection in the NISQ Era
- Title（参考訳）: NISQ時代のサイバー攻撃検出のための変分量子分類器(VQC)の評価
- Authors: Angelos Thomos, Theodore Andronikos,
- Abstract要約: 変分量子(VQC)は、ノイズ中間スケール量子(NISQ)時代のネットワーク異常を検出することができる。
モデルは22種類のNSL-KDD攻撃カテゴリにまたがるクラスバランスセットで訓練され、表現能力の調査として評価された。
我々はこの挙動を過度な圧縮によって引き起こされる線形分離性の喪失と一致すると解釈する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates the effectiveness and structural limits of Variational Quantum Classifiers (VQC) for detecting network anomalies in the era of Noisy Intermediate-Scale Quantum (NISQ) systems. Using the official 20\% research subset of the NSL-KDD dataset, a 4-qubit classifier featuring a 24-parameter trainable ansatz was developed, utilizing amplitude encoding to embed 16 principal components. On a held-out partition of this subset, the model achieved a consistent binary-classification accuracy of 88\%. A comparative evaluation with two fundamentally different optimizers, COBYLA and SPSA, found that the observed performance plateau is not attributable to convergence to local minima, a result we interpret as consistent with an encoding-related expressibility limit rather than an optimization artifact. An architectural parity comparison with a classical neural network (a Tiny MLP with four nodes, achieving 97\% accuracy) highlighted the expressiveness gap associated with data overcompression into restricted quantum states. The model was trained on a class-balanced set spanning the 22 raw NSL-KDD attack categories and evaluated in-sample as a probe of representational capacity: under this configuration the VQC reached only 9\% accuracy and exhibited a degenerate mode collapse onto a small subset of classes. We interpret this behavior as consistent with the loss of linear separability induced by excessive compression in the quantum probability space, while explicitly noting that our experiments do not isolate the encoding from the ansatz depth, optimizer budget, and measurement-decoding scheme (see Limitations). Motivated by these observations and by Cover's theorem, we outline an alternative paradigm: a 16-qubit VQC with angle encoding that expands the Hilbert-space representation rather than relying on aggressive classical dimensionality reduction.
- Abstract（参考訳）: 本稿では,ノイズ中規模量子システム(NISQ)時代のネットワーク異常を検出するための変分量子分類器(VQC)の有効性と構造限界について検討する。
NSL-KDDデータセットの公式20\%の研究サブセットを用いて、24パラメータのトレーニング可能なアンサッツを備えた4ビット分類器を開発し、振幅エンコーディングを用いて16の主成分を埋め込んだ。
このサブセットのホールドアウトパーティションでは、一貫したバイナリ分類精度88\%を達成した。
基本的に異なる2つの最適化器(COBYLA)とSPSA(SPSA)を比較した結果,観測された性能プラトーは局所最小値の収束に寄与しないことがわかった。
古典的ニューラルネットワーク(4つのノードを持つTiny MLP、精度97\%)との比較では、データ過剰圧縮に関連する表現力ギャップが制限された量子状態に強調された。
このモデルでは,22種類のNSL-KDD攻撃カテゴリにまたがるクラスバランスセットをトレーニングし,この構成下ではVQCは9倍の精度に到達し,少数のクラスに退化モード崩壊を示した。
この挙動は、量子確率空間における過剰な圧縮によって引き起こされる線形分離性の損失と一致すると解釈し、我々の実験は、アンザッツ深さ、オプティマイザ予算、測定復号方式からエンコーディングを分離していないことを明記する(制限参照)。
これらの観測とカバーの定理により、攻撃的な古典的次元の減少に頼るのではなく、ヒルベルト空間の表現を拡大する角符号化を持つ16量子VQCという別のパラダイムを概説する。
関連論文リスト
- EQE-QAOA: An Equivalence-Preserving Qubit Efficient Framework for Combinatorial Optimization [54.05451096499336]
既存の技術は情報損失のコストで量子ビットの削減に依存しており、計算性能は劣化している。
等価保存量子ビット効率QAOAを提案し、性能を劣化させることなく必要なキュービット数を著しく削減する。
完全独立変数を持つ非制約問題を除いて,大規模最適化問題に広く適用可能であることを示す。
論文 参考訳（メタデータ） (2026-04-20T13:57:49Z) - Towards Joint Quantization and Token Pruning of Vision-Language Models [53.978753457744055]
トークンプルーニングと低ビット量子化は、推論コストの削減を補完する。
我々は、低ビット推論と決定論的視覚トーケンプルーニングを統一する協調量子化&プルーニングフレームワークを提案する。
標準VLMベンチマークの実験では、同じ低ビット状態下でのステージワイドベースラインよりもロバスト性が改善された。
論文 参考訳（メタデータ） (2026-04-19T08:18:29Z) - Cluster-Adaptive Sample-Based Quantum Diagonalization for Strongly Correlated Systems [0.0]
強い相関を持つ電子系は本質的に多重構成波動関数を示す。
量子コンピューティングは、これらの制限を緩和するための有望なルートとして登場した。
クラスタ適応型SQDを導入し、教師なし学習を用いてサンプルをクラスタ化する。
論文 参考訳（メタデータ） (2026-03-10T08:24:08Z) - CR-QAT: Curriculum Relational Quantization-Aware Training for Open-Vocabulary Object Detection [2.751147407342378]
CR-QAT(Relational Quantization-Aware Training)を提案する。
CR-QATは、プログレッシブ量子化のためにモデルを分割することでエラーの蓄積を軽減し、エラー分離による安定した最適化を保証する。
LVISとゼロショットベンチマークの実験では、CR-QATは攻撃的な低ビット設定下で既存のQATベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-03-06T06:57:55Z) - Noise-adaptive hybrid quantum convolutional neural networks based on depth-stratified feature extraction [7.6371555592843565]
深度階層化中間測定値を利用して,雑音下での分類を改善する雑音適応型ハイブリッドQCNNを提案する。
このハイブリッド階層設計は、量子中間測度と古典的な後処理を統合することでノイズ適応推論を可能にする。
論文 参考訳（メタデータ） (2026-02-25T14:34:52Z) - 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) - Quantum Convolution for Structure-Based Virtual Screening [0.0]
構造ベースの仮想スクリーニング(SBVS)は、潜在的な薬物候補を特定するための重要な計算戦略である。
本研究では、デルタG_bindを効率的に推定する量子畳み込みニューラルネットワーク(QCNN)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-13T15:03:43Z) - Towards a tailored mixed-precision sub-8-bit quantization scheme for
Gated Recurrent Units using Genetic Algorithms [39.979007027634196]
ゲーテッド・リカレント・ユニット(GRU)は内部状態に依存しているためチューニングが難しい。
本稿では,各演算子のビット幅を独立に選択できるGRUのモジュラ整数量子化方式を提案する。
論文 参考訳（メタデータ） (2024-02-19T16:24:20Z) - You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。
まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。
エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
論文 参考訳（メタデータ） (2023-10-14T11:03:04Z) - Compact representations of convolutional neural networks via weight
pruning and quantization [63.417651529192014]
本稿では、音源符号化に基づく畳み込みニューラルネットワーク(CNN)の新しいストレージフォーマットを提案し、重み付けと量子化の両方を活用する。
我々は、全接続層で0.6%、ネットワーク全体で5.44%のスペース占有率を削減し、最低でもベースラインと同じくらいの競争力を発揮する。
論文 参考訳（メタデータ） (2021-08-28T20:39:54Z)
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。