論文の概要: When cheap gradients fail: the measurement cost of attacking quantum classifiers

• arxiv url: http://arxiv.org/abs/2607.11095v1
• Date: Mon, 13 Jul 2026 05:03:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.334988
• Title: When cheap gradients fail: the measurement cost of attacking quantum classifiers
• Title（参考訳）: 安価な勾配が失敗したとき--量子分類器を攻撃するための測定コスト
• Abstract要約: ショットノイズは、勾配ベースのテストタイムアタックに対するビルトインディフェンスである。 ホワイトボックス抽出は次元に依存した測定予算を消費する。 156量子ビットのIBMプロセッサの実験は、その効果を再現した。
• 参考スコア（独自算出の注目度）: 2.5042535462806716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial perturbations threaten machine learning classifiers, including variational quantum classifiers. We show that finite quantum measurement statistics (shot noise) act as a built-in defense against gradient-based test-time attacks whose cost scales unfavorably for the attacker. Because every gradient component must be inferred from repeated circuit executions under any unbiased gradient-estimation rule, white-box extraction consumes a dimension-dependent measurement budget that measurement grouping cannot remove in expressive circuits. Under stated assumptions, single-step attacks need at least quadratically many shots in the input dimension $d$, growing as $d^{5/2}$ under norm-concentration scaling, with a sufficient-budget analysis for iterative attacks via stochastic gradient Langevin dynamics. Simulations up to 784 input dimensions validate the law: the realized total budget is the $d^{5/2}$ geometric floor for plateau-mitigated models and grows as $d^{3.00}$ for the tested deep circuits, whose gradient norms decay with dimension absent barren-plateau mitigation; folding the measured gradient norm back in recovers the parameter-free $d^{3/2}$ shot-noise geometry. Against a matched classical baseline whose attack overhead is dimension-independent (the cheap-gradient principle of automatic differentiation), the quantum gradient cost ratio grows empirically as $d^{3.00}$, so the attacker's relative cost diverges as the model scales. Experiments on a 156-qubit IBM processor (ibm_boston, 4-qubit circuits, $d=12$) reproduce the effect: at matched budgets the device attack tracks the ideal within a few percent, with the high-shot gradient faithful to the exact one. The defense operates precisely when the forward map is classically hard to simulate: only then is a white-box attacker denied the simulate-and-backpropagate shortcut and must pay the measurement cost we quantify.
• Abstract（参考訳）: 逆の摂動は、変動量子分類器を含む機械学習分類器を脅かす。 有限量子計測統計(ショットノイズ)は、攻撃者にとって不利なコストスケールの勾配に基づくテスト時間攻撃に対する防御として機能することを示す。 全ての勾配成分は、任意の偏りのない勾配推定規則の下で繰り返し回路実行から推定されなければならないため、ホワイトボックス抽出は、グルーピングが表現回路では除去できない次元依存的な測定予算を消費する。 記述された仮定の下では、シングルステップ攻撃は入力次元$d$で少なくとも2次的なショットを必要とし、標準集中スケーリングの下では$d^{5/2}$として成長し、確率勾配ランゲヴィン力学による反復攻撃に対して十分な予算分析を行う。 実現された総予算は、プラトー緩和されたモデルのための幾何フロアで、テストされた深層回路に対して$d^{3.00}$として成長し、その勾配ノルムは次元が存在しないバレンプラトー緩和とともに減衰し、測定された勾配ノルムを折り返してパラメータフリーな$d^{3/2}$ショットノイズ幾何学を回復する。 攻撃オーバーヘッドが次元に依存しない古典的ベースライン(自動微分の安価で段階的な原理)に対して、量子勾配コスト比は$d^{3.00}$として経験的に増加するため、攻撃者の相対コストはモデルがスケールするにつれてばらばらになる。 156キュービットのIBMプロセッサ(ibm_boston、4キュービットの回路、$d=12$)の実験では、この効果が再現されている。 防御は、フォワードマップが古典的にシミュレートするのが困難である場合に正確に動作する。その際、ホワイトボックス攻撃者がシミュレートとバックプロパゲートのショートカットを否定し、定量化する測定コストを払わなければならない。

関連論文リスト

• Observation Design for Certified Control Authority: Projection--Estimability Separation and Active-Face Equivalence [2.7954473524479275]
  ゲートは認証可能なアクションのみを実行し、その観測がサポートするもののみを認証する。 本稿では,安全な行動の集合を最大化するために,どのように観測を設計すべきかを問う。
  論文  参考訳（メタデータ） (2026-09-05T07:57:04Z)
• The Intruder Threshold: A Spectral Law for LoRA Fine-Tuning [3.860898721527665]
  LoRAファインチューニングは、破滅的な忘れを誘う侵入者次元を生み出すことができる。 観測されたスペクトルの層ごとに層が現れると予測される理論は存在しない。 完全な微調整は、すべてのレイヤのしきい値よりはるかに低いアップデートを分散させる。 Norm-matchedの介入は、更新の規模ではなく、しきい値の交差する層が忘れを伴っていることを確認します。
  論文  参考訳（メタデータ） (2026-07-26T15:17:41Z)
• Decoherence as Defence and the Magnitude of Noise Regularisation: A Rigorous N -Qubit Theory of Stochastic Quantum Neural Networks for Adversarially Robust Network Intrusion Detection [0.0]
  マスター方程式とそのベクトル化されたリウビリアンによる$N$-qubitの定式化を与える。 エンフェデコヒーレンス・コントラクションの定理、すなわち強度の非分極チャネルを証明します。 このロバスト性は、アタックタイムの収縮ではなく、ノイズの変形したトレーニング境界から生じることを示す。
  論文  参考訳（メタデータ） (2026-06-23T07:06:56Z)
• How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
  r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。 まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
  論文  参考訳（メタデータ） (2026-05-23T22:00:38Z)
• Quantum non-demolition measurements as a practical primitive for fault-tolerant computation against biased noise [1.0499611180329804]
  高忠実性量子非破壊(QND)マルチキュービットのPauli $Z$測定は、等しく強力だがよりアクセスしやすいプリミティブを提供することを示す。 電子スピンアンシラに結合した固体核スピンと超伝導キャットキュービットの2つのプラットフォームに対して、このプリミティブの具体的物理実装を提案する。
  論文  参考訳（メタデータ） (2026-05-22T22:27:52Z)
• Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
  本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。 鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。 我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
  論文  参考訳（メタデータ） (2026-05-21T08:57:38Z)
• Tokens-per-Parameter Coverage Is Critical for Robust LLM Scaling Law Extrapolation [45.56738584872585]
  ニューラルスケーリング法則は、パラメータカウント$N$とトークンカウント$D$のパワーロー関数として、言語モデルの損失を近似する。 本稿では,コリニア設計がガウス・ニュートン最小二乗問題に固有の不条件を生じさせることを示す。 これを4つのスケーリング法則形式に対して証明し、十分に条件付き推定に十分必要な閉形式TPP多様性閾値を導出する。
  論文  参考訳（メタデータ） (2026-05-08T23:00:17Z)
• Revisiting Weighted Strategy for Non-stationary Parametric Bandits and MDPs [56.246783503873225]
  本稿では,非定常パラメトリックバンディットの重み付け戦略を再考する。 本稿では,ウィンドウ/リスタートベースアルゴリズムと同様に,より単純な重みに基づくアルゴリズムを提案する。 我々のフレームワークは、他のパラメトリックバンディットの後悔の限界を改善するのに使える。
  論文  参考訳（メタデータ） (2026-01-03T04:50:21Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• The Cost of Compression: Tight Quadratic Black-Box Attacks on Sketches for $\ell_2$ Norm Estimation [26.519824862057547]
  線形スケッチによる次元の低減は強力で広く使われている手法であるが、敵の入力に弱いことが知られている。 ここでは、Rk × n$ の固定されたスケッチ行列 $A が Rn$ の高次元ベクトル $v を Rk$ の低次元スケッチ $A v に写像する。 我々は、$tildeO(k2)$クエリを使用して、ノルム推定の失敗または逆入力を構成する、普遍的で非適応的な攻撃を示す。
  論文  参考訳（メタデータ） (2025-07-22T08:25:05Z)
• Revisiting Weighted Strategy for Non-stationary Parametric Bandits [82.1942459195896]
  本稿では,非定常パラメトリックバンディットの重み付け戦略を再考する。 より単純な重みに基づくアルゴリズムを生成する改良された分析フレームワークを提案する。 我々の新しいフレームワークは、他のパラメトリックバンディットの後悔の限界を改善するのに使える。
  論文  参考訳（メタデータ） (2023-03-05T15:11:14Z)
• A New Framework for Variance-Reduced Hamiltonian Monte Carlo [88.84622104944503]
  分散還元型ハミルトン・モンテカルロ法 (HMC) の新たなフレームワークを提案し,$L$-smooth および $m$-strongly log-concave 分布からサンプリングする。 本研究では,SAGA法やSVRG法をベースとした非バイアス勾配推定器を用いて,バッチサイズを小さくすることで,高い勾配効率が得られることを示す。 総合的および実世界のベンチマークデータによる実験結果から、我々の新しいフレームワークは、完全な勾配と勾配HMCアプローチを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2021-02-09T02:44:24Z)
• The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
  我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。 この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-22T16:43:35Z)

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。