論文の概要: Detecting Phishing in Ethereum Networks using Quantum Machine Learning
- arxiv url: http://arxiv.org/abs/2607.12828v1
- Date: Tue, 14 Jul 2026 14:46:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.173777
- Title: Detecting Phishing in Ethereum Networks using Quantum Machine Learning
- Title（参考訳）: 量子機械学習を用いたEthereumネットワークのフィッシング検出
- Authors: Sai Sakunthala Guddanti, Anupama Ray, Mrunal Arun Kumavat, Anil Prabhakar,
- Abstract要約: 本稿では、実世界の金融取引データにおける異常を検出するための量子機械学習(QML)の可能性について考察する。
両領域の強みを生かしたハイブリッド量子古典アンサンブルフレームワークを提案する。
補完アルゴリズムを組み合わせることにより,トランザクションネットワークにおけるフィッシングの検出の有効性を実証する。
- 参考スコア（独自算出の注目度）: 0.18199326045904995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article explores the potential of Quantum Machine Learning (QML), specifically assessing a Quantum Support Vector Machine (QSVM) and a Variational Quantum Classifier (VQC) for detecting anomalies in real-world financial transaction data. While these QML methods outperform statistical methods, they fall short of cutting-edge deep learning techniques. To bridge this gap, we propose a hybrid quantum-classical ensemble framework that leverages the strengths of both domains. We demonstrate its effectiveness in detecting phishing in Ethereum transaction networks by combining complementary algorithms. The QSVM, whether used individually or in an ensemble, consistently delivered the lowest false negatives and higher recall rates, that are crucial for anomaly detection. To enhance individual models, we encoded the data using novel cascaded Quantum Random Access Coding (QRAC) schemes and compared it with the popular encoding ZZ feature map on both simulators and the IBM Heron quantum processor. For both QSVM and VQC, we consistently observed improvements (13% for QRAC-VQC and 3% for QRAC-QSVM) of QRAC over the ZZ feature map. Notably, certain QML algorithms exhibit remarkable resilience on the IBM Heron quantum processor, approaching simulator-level performance on devices with high quantum volume. This observation underscores the promise of QML despite hardware limitations.
- Abstract（参考訳）: 本稿では,量子支援ベクトルマシン(QSVM)と変動量子分類器(VQC)を用いて,実世界の金融取引データの異常を検出する量子機械学習(QML)の可能性について検討する。
これらのQML手法は統計的手法よりも優れているが、最先端のディープラーニング技術には劣る。
このギャップを埋めるために、両領域の強度を利用するハイブリッド量子古典アンサンブルフレームワークを提案する。
補完アルゴリズムを組み合わせることにより,Ethereumトランザクションネットワークにおけるフィッシングの検出の有効性を実証する。
QSVMは個人でもアンサンブルでも、常に低い偽陰性と高いリコール率を提供しており、これは異常検出に不可欠である。
個別モデルを強化するため,新しいQRAC(Quantum Random Access Coding)スキームを用いてデータを符号化し,シミュレータとIBM Heron量子プロセッサのZZ特徴マップと比較した。
QSVMとVQCについては、ZZ機能マップに対するQRACの改善(QRAC-VQCは13%、QRAC-QSVMは3%)を継続的に観察しました。
特に、一部のQMLアルゴリズムは、IBM Heron量子プロセッサに顕著なレジリエンスを示し、高い量子ボリュームを持つデバイスでシミュレータレベルのパフォーマンスに近づいている。
この観察は、ハードウェアの制限にもかかわらず、QMLの約束を裏付けている。
関連論文リスト
- Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning [43.509065918669314]
連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。
高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
論文 参考訳（メタデータ） (2026-01-11T03:40:45Z) - Error Mitigation of Fault-Tolerant Quantum Circuits with Soft Information [39.64742821341961]
量子誤り訂正(QEC)の時代において、量子エラー軽減(QEM)が引き続き大きなメリットをもたらすことを示す。
我々は、選択後および実行中止ポリシー、確率的エラーキャンセル、ゼロノイズ外挿という3つの論理レベルのQEM手法を開発し、分析する。
我々の手法は、0.1%未満のショットを捨てながら、論理誤差率を100倍以上に削減する。
論文 参考訳（メタデータ） (2025-12-10T17:49:06Z) - RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。
与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。
量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文 参考訳（メタデータ） (2025-06-04T08:30:35Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。
本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。
分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
論文 参考訳（メタデータ） (2023-07-05T08:06:41Z) - 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) - QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。
短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文 参考訳（メタデータ） (2022-07-14T12:22:51Z) - Quantum Machine Learning for Software Supply Chain Attacks: How Far Can
We Go? [5.655023007686363]
本稿では、量子機械学習(QML)と呼ばれる機械学習アルゴリズムに適用されたQCの高速化性能について分析する。
実際の量子コンピュータの限界により、QML法はQiskitやIBM Quantumといったオープンソースの量子シミュレータ上で実装された。
興味深いことに、実験結果は、SSC攻撃の古典的アプローチと比較して計算時間と精度の低下を示すことによって、QCの約束を早めることと異なる。
論文 参考訳（メタデータ） (2022-04-04T21:16:06Z) - Investigation of Quantum Support Vector Machine for Classification in
NISQ era [0.0]
本稿では,量子支援ベクトルマシン(QSVM)アルゴリズムとその回路バージョンについて検討する。
量子回路におけるトレーニングおよびテストデータサンプルを符号化し,QSVM回路実装手法の効率性を計算する。
我々は、現在のNISQデバイスにQSVMアルゴリズムを適用する際に直面する技術的困難を強調した。
論文 参考訳（メタデータ） (2021-12-13T18:59:39Z) - Supervised Learning Using a Dressed Quantum Network with "Super
Compressed Encoding": Algorithm and Quantum-Hardware-Based Implementation [7.599675376503671]
ノイズのある中間量子(NISQ)デバイス上での変分量子機械学習(QML)アルゴリズムの実装には、必要となるキュービット数とマルチキュービットゲートに関連するノイズに関連する問題がある。
本稿では,これらの問題に対処するための量子ネットワークを用いた変分QMLアルゴリズムを提案する。
他の多くのQMLアルゴリズムとは異なり、我々の量子回路は単一量子ビットゲートのみで構成されており、ノイズに対して堅牢である。
論文 参考訳（メタデータ） (2020-07-20T16:29:32Z)
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。