論文の概要: Input-Aware Dynamic Backdoor Attack Against Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2607.11843v1
• Date: Mon, 13 Jul 2026 17:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.568838
• Title: Input-Aware Dynamic Backdoor Attack Against Quantum Neural Networks
• Title（参考訳）: 入力型動的バックドア攻撃による量子ニューラルネットワーク
• Abstract要約: 量子ニューラルネットワーク(QNN)は、短期的な量子デバイス上での量子機械学習のための有望なフレームワークである。 本稿では,QNNに対する最初の動的バックドア攻撃であるQ-DIBAを提案する。 Q-DIBAは、高いクリーニング精度、強力な攻撃成功、高いクロストリガー精度を実現し、有効性、ステルス性、入力特異性を示す。
• 参考スコア（独自算出の注目度）: 7.193610694076472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Neural Networks (QNNs) are a promising framework for quantum machine learning on near-term quantum devices, but their security risks remain insufficiently understood. Studies have shown that QNNs are vulnerable to backdoor attacks, yet existing quantum backdoors mostly rely on a fixed trigger shared by all poisoned inputs. This fixed-trigger design is a major weakness because many defenses detect or weaken the repeated patterns such triggers leave in data representations. Although input-aware dynamic backdoors have been studied in classical neural networks, transferring them to QNNs is difficult because quantum learning introduces new obstacles. In particular, measurement compresses the post-ansatz quantum state into a limited classical output, weakening supervision for a trigger generator, while individual density matrices fluctuate with the input and make per-sample contrastive learning unstable. To address these challenges, we propose Q-DIBA, the first input-aware dynamic backdoor attack for QNNs. Q-DIBA jointly trains a classical trigger generator and a victim QNN through a three-mode mini-batch strategy that supports clean behavior, attack activation, and trigger specificity. To provide stable quantum-level supervision, Q-DIBA introduces an ensemble density contrastive loss that operates on post-ansatz quantum states before measurement and contrasts mode-averaged density matrices rather than individual samples. Experiments on MNIST and Fashion-MNIST across multiple QNN architectures show that Q-DIBA achieves high clean accuracy, strong attack success, and high cross-trigger accuracy, demonstrating effectiveness, stealthiness, and input specificity. The attack also remains resilient against defenses including visual inspection, spectral-signature detection, and fine-tuning, suggesting that input-aware quantum backdoors are an important threat to secure QNN deployment.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、短期的な量子デバイス上での量子機械学習のための有望なフレームワークであるが、そのセキュリティリスクは十分に理解されていない。 研究によると、QNNはバックドア攻撃に弱いが、既存の量子バックドアは、主にすべての有毒な入力で共有される固定トリガーに依存している。 この固定トリガー設計は、多くのディフェンスがデータ表現に残るトリガーのような繰り返しパターンを検出したり弱めたりするため、大きな弱点である。 入力対応動的バックドアは古典的ニューラルネットワークで研究されているが、量子学習が新しい障害をもたらすため、それらをQNNに転送することは困難である。 特に、測定はアンザッツ後の量子状態を古典的な限られた出力に圧縮し、トリガージェネレータの監督を弱める一方、個々の密度行列は入力と変動し、サンプルごとのコントラスト学習を不安定にする。 これらの課題に対処するため,QNNに対する最初の動的バックドア攻撃であるQ-DIBAを提案する。 Q-DIBAは3モードのミニバッチ戦略を通じて、古典的なトリガージェネレータと犠牲者のQNNを共同で訓練し、クリーンな振る舞い、アタックアクティベーション、トリガー特異性をサポートする。 安定な量子レベルの監視のため、Q-DIBAはアンサンブル密度のコントラスト損失を導入し、測定前にアンザッツ後の量子状態で動作し、個々のサンプルではなくモード平均密度行列をコントラストする。 複数のQNNアーキテクチャにまたがるMNISTとFashion-MNISTの実験では、Q-DIBAは高いクリーンな精度、強力な攻撃成功、高いクロストリガー精度、有効性、ステルス性、入力特異性を実現している。 この攻撃はまた、視覚検査、スペクトル信号検出、微調整を含む防衛に対する耐性が保たれており、入力対応の量子バックドアがQNNの安全な配置にとって重要な脅威であることを示唆している。

関連論文リスト

• HarmQ: Harmonic Backdoor Attacks Against Quantum Neural Networks [14.713757354775531]
  量子ニューラルネットワーク(QNN)は、ノイズ中間スケール量子(NISQ)時代に量子機械学習の有望なパラダイムとして登場した。 HarmQは、パラメータ化された量子回路固有のフーリエ分解バイアスを利用する、量子ネイティブなバックドア攻撃である。 MNISTとFashion-MNISTの実験は、HarmQが90%以上のクリーンな精度を維持しながら99%以上の攻撃成功率を達成することを示した。
  論文  参考訳（メタデータ） (2026-07-13T18:14:23Z)
• Backdoor Threats in Variational Quantum Circuits: Taxonomy, Attacks, and Defenses [7.269413622199604]
  変分量子アルゴリズム(VQA)は、ノイズの多い中間スケール(NISQ)量子コンピューティングの中枢パラダイムである。 事前設計および事前訓練された変分量子回路(VQC)への依存は、重大なセキュリティ脆弱性をもたらす。 本稿では,VQCのバックドア攻撃に関する調査を行い,データポゾン,コンパイラレベル,量子ネイティブ機構について報告する。
  論文  参考訳（メタデータ） (2026-05-13T17:17:20Z)
• Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
  本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。 QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2026-01-06T09:58:14Z)
• Adversarial Threats in Quantum Machine Learning: A Survey of Attacks and Defenses [2.089191490381739]
  量子機械学習(QML)は、量子コンピューティングと古典的な機械学習を統合して、分類、回帰、生成タスクを解決する。 本章では、クラウドベースのデプロイメント、ハイブリッドアーキテクチャ、量子生成モデルにおける脆弱性に焦点を当て、QMLシステム特有の敵の脅威について検討する。
  論文  参考訳（メタデータ） (2025-06-27T01:19:49Z)
• Experimental robustness benchmark of quantum neural network on a superconducting quantum processor [14.38187281782993]
  量子機械学習(QML)モデルは、従来のモデルと同様、敵攻撃に対して脆弱であり、セキュアなデプロイメントを妨げる。 ここでは、20量子ビット量子ニューラルネットワーク(QNN)の最初の系統的実験ロバスト性ベンチマークを報告する。 我々のベンチマークフレームワークは、QNN向けに設計された効率的な対向攻撃アルゴリズムを備えており、対向ロバスト性とロバスト性境界の定量的評価を可能にする。
  論文  参考訳（メタデータ） (2025-05-22T14:18:14Z)
• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• QuanTest: Entanglement-Guided Testing of Quantum Neural Network Systems [45.18451374144537]
  量子ニューラルネットワーク(QNN)は、ディープラーニング(DL)原理と量子力学の基本理論を組み合わせて、量子加速による機械学習タスクを実現する。 QNNシステムは従来の量子ソフトウェアと古典的なDLシステムとは大きく異なり、QNNテストにとって重要な課題となっている。 QNNシステムにおける潜在的誤動作を明らかにするために,量子絡み合い誘導型対向テストフレームワークであるQuanTestを提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:11:28Z)
• QDoor: Exploiting Approximate Synthesis for Backdoor Attacks in Quantum Neural Networks [7.191064733894878]
  量子ニューラルネットワーク(QNN)は、オブジェクト認識、自然言語処理、財務分析に成功している。 近似合成は、エラーを起こしやすい2量子ビット量子ゲートを減らすことでQNN回路を変更する。 ほぼ合成されたQNN回路において高い攻撃成功率を達成するために,新規でステルスなバックドア攻撃であるQDoorを提案する。
  論文  参考訳（メタデータ） (2023-07-13T18:26:19Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• On the learnability of quantum neural networks [132.1981461292324]
  本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。 また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2020-07-24T06:34:34Z)

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。