論文の概要: HarmQ: Harmonic Backdoor Attacks Against Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2607.12055v1
• Date: Mon, 13 Jul 2026 18:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.931135
• Title: HarmQ: Harmonic Backdoor Attacks Against Quantum Neural Networks
• Title（参考訳）: HarmQ: 量子ニューラルネットワークに対する高調波バックドア攻撃
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.713757354775531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Neural Networks (QNNs) have emerged as a promising paradigm for quantum machine learning in the Noisy Intermediate-Scale Quantum (NISQ) era, leveraging quantum phenomena such as superposition and entanglement to process information in exponentially large Hilbert spaces. However, QNNs inherit critical security vulnerabilities from classical neural networks, particularly susceptibility to backdoor attacks. Existing attack methods designed for classical systems fail against QNNs due to quantum-specific constraints: aggressive downsampling required by limited qubit resources destroys conventional triggers, while the spectral learning bias of parameterized quantum circuits (PQCs) restricts learnable patterns. To tackle this, we present HarmQ, a quantum-native backdoor attack that exploits PQCs' inherent Fourier decomposition bias through harmonic trigger patterns. Our approach employs sinusoidal perturbations on coarse grids with block-uniform structure, ensuring survival through downsampling while aligning with PQCs' preference for low-frequency components. This enables effective backdoor injection under realistic black-box conditions where attackers access only training data. Experiments on MNIST and Fashion-MNIST demonstrate that HarmQ achieves attack success rates exceeding 99% while maintaining over 90% clean accuracy, significantly outperforming existing methods including BadNets (2.77% ASR), Watermark (7.96% ASR), Q-FGSM (44.32% ASR) and QUAP (3.40% ASR). Parametric t-SNE visualizations of quantum state representations confirm that harmonic triggers create distinctly separated clusters, evidencing HarmQ as a fundamental security threat for QNNs.
• Abstract（参考訳）: 量子ニューラルネットワーク(QNN)は、指数関数的に大きなヒルベルト空間で情報を処理するために重ね合わせや絡み合いなどの量子現象を利用する、ノイズ中間量子(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。 しかし、QNNは古典的なニューラルネットワーク、特にバックドア攻撃に対する感受性から重要なセキュリティ脆弱性を継承する。 量子化量子回路(PQC)のスペクトル学習バイアスは学習可能なパターンを制限する一方、量子ビットリソースに制限されたアグレッシブなダウンサンプリングは従来のトリガーを破壊する。 これを解決するために、PQCs固有のフーリエ分解バイアスを利用した量子ネイティブバックドア攻撃であるHarmQを紹介する。 提案手法では,低周波成分に対するPQCsの嗜好と整合しながら,ダウンサンプリングによる生存を確保するために,ブロック均一構造を有する粗い格子上の正弦波摂動を用いる。 これにより、攻撃者がトレーニングデータのみにアクセスする現実的なブラックボックス条件下で効果的なバックドアインジェクションが可能になる。 MNISTとFashion-MNISTの実験では、HarmQは90%以上のクリーンな精度を維持しながら攻撃成功率を99%以上達成し、BadNets (2.77% ASR)、Watermark (7.96% ASR)、Q-FGSM (44.32% ASR)、QUAP (3.40% ASR)などの既存手法よりも大幅に優れていた。 量子状態表現のパラメトリックt-SNE視覚化は、調和トリガーが明確に分離されたクラスタを生成し、QNNの基本的なセキュリティ脅威としてHarmQを証明している。

関連論文リスト

• SoK: Adversarial Robustness of the Variational Quantum Eigensolver via Red-Teaming [18.600693351838515]
  変分量子固有解法 (VQE) は、分子基底エネルギーを短期量子ハードウェア上で推定する主要なアルゴリズムである。 VQEワークロードは、クラウドベースのVQE-as-a-service'パイプラインを通じてますますデプロイされる。 textbfVQE-AdvBenchは、変分量子固有解法のための最初の統一された赤チームベンチマークである。
  論文  参考訳（メタデータ） (2026-07-21T17:38:52Z)
• Input-Aware Dynamic Backdoor Attack Against Quantum Neural Networks [7.193610694076472]
  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。
  論文  参考訳（メタデータ） (2026-07-13T17:34:17Z)
• 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)
• Resisting Quantum Key Distribution Attacks Using Quantum Machine Learning [2.9189969146057]
  量子鍵分布(QKD)は、量子力学の原理を利用してセキュアな鍵を確立することで、有望なソリューションを提供する。 QKDの実装は、ハードウェアの欠陥やPhoton Number SplittingやTrojan-Horse攻撃といった高度な攻撃に弱いままである。 本稿では、一般的なQKD攻撃の検出を改善するために、QLSTM(Hybrid Quantum Long Short-Term Memory)モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-16T14:22:39Z)
• Differentially Private Federated Quantum Learning via Quantum Noise [9.540961602976965]
  量子連合学習(QFL)は、生のデータ交換なしで分散量子デバイス間で量子機械学習(QML)モデルの協調トレーニングを可能にする。 QFLは、情報プライバシを損なうために共有QMLモデルの更新を悪用できる敵攻撃に対して脆弱なままである。 本稿では,QFLプロセス全体の量子モデルを保護するために量子ノイズを利用する新しいDP機構について検討する。
  論文  参考訳（メタデータ） (2025-08-27T22:56:16Z)
• 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)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Deep-learning-based continuous attacks on quantum key distribution protocols [0.0]
  本稿では,textitDeep-learning-based continuous attack (DLCA) と呼ばれる新たな個人攻撃方式を設計する。 最小限のモデルとして,通信チャネルに固有の雑音を持つBB84プロトコルに適用した場合の性能を示す。 以上の結果から,我々の攻撃性能は,標準的なインターセプト・アンド・レスエンド攻撃と最適な個別攻撃,すなわち位相共変量子クローン器との間にあることが示唆された。
  論文  参考訳（メタデータ） (2024-08-22T17:39:26Z)
• 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)
• 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)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)
• 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。