論文の概要: Benchmarking Quantum Machine Learning for Power-System Attack Detection: Evaluation Choices Decide the Outcome Before the Models Do

• arxiv url: http://arxiv.org/abs/2608.15617v1
• Date: Sun, 16 Aug 2026 08:32:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.364731
• Title: Benchmarking Quantum Machine Learning for Power-System Attack Detection: Evaluation Choices Decide the Outcome Before the Models Do
• Title（参考訳）: 電力系統攻撃検出のための量子機械学習のベンチマーク:モデルが実行する前に結果を決定する評価選択
• Abstract要約: 我々は、チューニングされた古典モデルに対する電力システムサイバーアタックのための機械学習検出器をベンチマークする。 ベンチマークの回答は、モデルの前に評価者の選択によって設定される。 正の制御では、正確さはnullである: ラベルはパイプラインではなくパイプラインである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning detectors for power-system cyberattacks are themselves attack surfaces, and quantum machine learning has been proposed for them. We benchmark fidelity-kernel SVMs and variational classifiers against six tuned classical models on public power-system attack data (Mississippi State/ORNL), across white-box, transfer, decision-based black-box, and poisoning attacks. Our headline finding is methodological: the benchmark's answers are set by the evaluator's choices before the models. Eight choices -- six in the evaluation protocol, two in the tuning the benchmark itself runs -- each reversed or moved a conclusion at fixed models. The largest is the split: the row-level protocol scores 0.905 macro-F1 where holding whole source files out leaves 0.594, and in the capped matched-dimensionality regime the quantum arm sits within noise of chance with the classical arm 0.024 above it. A fidelity kernel looks most robust until attacked directly (retention 0.886 to 0.064); a mis-fitted surrogate manufactures a 10x asymmetry; an unseeded black-box attack moves 75% between restarts. A positive control explains the accuracy null: the labels, not the pipeline. We give the control that catches each choice and release the seeded benchmark.
• Abstract（参考訳）: 電力系統サイバー攻撃のための機械学習検出器は、それ自体が攻撃面であり、量子機械学習が提案されている。 我々は,公共電源システム攻撃データ(Mississippi State/ORNL)に基づいて,ホワイトボックス,転送,決定ベースのブラックボックス,毒殺攻撃の6つのチューニングされた古典モデルに対して,忠実カーネルSVMと変分分類器をベンチマークする。 ベンチマークの回答は、モデルの前に評価者の選択によって設定されます。 8つの選択肢 -- 評価プロトコルでは6つ、ベンチマーク自体のチューニングでは2つ -- が、それぞれ、固定されたモデルで結論を逆転あるいは移動した。 行レベルのプロトコルは0.905マクロF1とスコアされ、ソースファイル全体を保持すると0.594が残る。 忠実なカーネルは直接攻撃されるまで最も頑丈に見え(保持 0.886 - 0.064)、不適合なサロゲートは10倍の非対称性を製造し、未使用のブラックボックス攻撃は再起動の間75%を移動させる。 正の制御では、正確さはnullである: ラベルはパイプラインではなくパイプラインである。 それぞれの選択をキャッチし、シードベンチマークをリリースするコントロールを与えます。

関連論文リスト

• Bilevel Coordinated Reflection: A Game-Theoretic Approach to Multi-Agent LLM Systems [40.47928908205563]
  マルチエージェントLLMシステムは、一般的にオーケストレータを使用して、労働者のチームのためにタスクを分解し、テキストリフレクションによって改善する。 強い実証結果にもかかわらず、これらのシステムには調整、メモリ改善、外部検証の役割の統一的な説明が欠けている。 我々は,評価のための信頼ゲーティングと,断片的な静止環境に対する保証の再集計を行う。 実験では、これらのオブジェクトを環境条件付きメトリクスでインスタンス化し、予測調整法則とドリフト法則をテストする。
  論文  参考訳（メタデータ） (2026-09-02T15:50:10Z)
• Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection [0.0]
  Edge-IIoTsetは、IoTにおける機械学習侵入検出のベンチマークである。 そのパフォーマンスの多くは侵入検出ではないことが示されています。 AgriEdge:1,276,122行、完全な属性を持つ5つのデバイス、0.0288以上のクラスを分離する列がない。
  論文  参考訳（メタデータ） (2026-08-16T14:30:45Z)
• TelemetrySuffBench: Is Agent Telemetry Sufficient for Failure-Origin Diagnosis? [1.7077233340294056]
  本稿では, 故障検出, 故障オリジンの局所化, 安全な停止を, 不十分な証拠で分離するベンチマークであるTelemetrySuffBenchを紹介する。 統一されたプロトコル、明示的な候補セット、無効なアウトプット会計、サブグループ分析、凍結したブラインドホールドアウトを用いて、5つのフロンティア言語モデルを評価する。
  論文  参考訳（メタデータ） (2026-08-08T03:54:22Z)
• Visual Grounding in Zero-Shot Vision-Language Control [0.0]
  視覚言語モデル(VLM)は、ゼロショットコントローラとしてますます使われているが、成功した軌道は、必ずしも決定が視覚入力に基礎を置いていることを示さない。 我々はこれを、ブラインドイメージ制御、繰り返し同じ入力、車線軸反射、非視覚ベースライン、パイプライン積分チェックといった入力アブレーション電池を用いて検討する。 実験では,9つの直接動作モデル,6つの局所的VLM,探索的VLM-MPC階層に対して,2つの実施形態と3つのシミュレータに対する32,874の呼び出しを解析した。
  論文  参考訳（メタデータ） (2026-08-06T15:21:42Z)
• Comparing SGLD and a fixed-noise Predictor-Corrector adaptation in canonical Joint Energy-Based Models on CIFAR-10 [0.0]
  我々は、WideResNet-28-10上の標準合同エネルギーベースモデル(JEM)を、2つの独立したランで正規化レイヤなしで再現する。 我々は3つのプロトコルで固定ノイズPC適応(退化ノイズ予測器を決定論的ステップに置き換える)をテストする。 復元精度92.88%、バッファFID44.46(標準:92.9%、38.40)
  論文  参考訳（メタデータ） (2026-08-05T16:28:57Z)
• SrDetection: A Self-Referential Framework for Data Leakage Detection in Code Large Language Models [27.825867704129703]
  グレーボックスとブラックボックスの設定の両方に対して,textbfself-textbfreferential leakage 検出フレームワークを導入する。 SrDetectionは、ベンチマークサンプルのセマンティックに等価な変種を生成し、元のモデルの振る舞いとその変種との対比によってリークを検出する。 異なるモデルと訓練段階にわたって、SrDetectionはグレーボックス設定では平均F1を21.52ポイント、ブラックボックス設定では14.46ポイント改善している。
  論文  参考訳（メタデータ） (2026-06-29T05:48:42Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Context-Aware Web Attack Detection in Open-Source SIEM Systems via MITRE ATT&CK-Enriched Behavioral Profiling [0.0]
  本稿では,オープンソースのWazuh SIEMプラットフォーム用のAIモジュールであるSmart-SIEMを紹介する。 HTTP応答統計分布を符号化した振る舞いコンテキストベクトルを用いる。 2段階のハイブリッドカスケードは、LightGBMをバイナリアタック検出に、XGBoostを6クラスのアタック分類に組み合わせている。
  論文  参考訳（メタデータ） (2026-05-13T10:54:36Z)
• Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings [5.903606299014097]
  MIMIC-C胸部X線写真における2次保険分類におけるノイズレスシミュレーションによる量子優位性の証拠を提供する。 両分類器が同一の機能を持つ2層公正比較フレームワークを提案する。 固有解析により、量子核有効ランクは q = 11 で 69.80 に達する。
  論文  参考訳（メタデータ） (2026-04-27T15:21:53Z)
• CLASP: Defending Hybrid Large Language Models Against Hidden State Poisoning Attacks [48.54598003197356]
  Mambaのような状態空間モデル(SSM)はトランスフォーマーの効率的な代替品として大きな注目を集めている。 HiSPAsは、最近発見された脆弱性で、敵対する文字列を通じてSSMメモリを破損させる。 この脅威に対して防御するためのCLASPモデルを紹介します。
  論文  参考訳（メタデータ） (2026-03-12T17:29:55Z)
• SafeBench-Seq: A Homology-Clustered, CPU-Only Baseline for Protein Hazard Screening with Physicochemical/Composition Features and Cluster-Aware Confidence Intervals [26.81598226089532]
  SafeBench-Seqはメタデータのみの再現可能なベンチマークと,すべて公開データから構築されたベースライン分類器である。 の脅威を近似するために、組み合わせたデータセットを40パーセントのIDでクラスタリングし、クラスタレベルのホールドアウトを実行します。 AUROC/AUPRCとスクリーニング操作点(TPR@1% FPR; FPR@95% TPR)の95%ブートストラップ信頼区間(n=200)を報告した。 我々は,ブライアスコア,期待誤差(ECE),15ビン,信頼性図を用いて,確率品質を定量化する。
  論文  参考訳（メタデータ） (2025-12-19T12:51:31Z)
• Fortytwo: Swarm Inference with Peer-Ranked Consensus [36.94429692322632]
  我々は、AI推論において優れたパフォーマンスを達成するために、Swarmの知能原則と分散ペアのランキングコンセンサスを活用する新しいプロトコルFortytwoを提案する。 独自のBradley-Terry-styleアグリゲーションモデルを用いて、Swarm推論が多数決をかなり上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-27T23:19:48Z)
• Detection and Mitigation of Byzantine Attacks in Distributed Training [24.951227624475443]
  ワーカノードの異常なビザンチン挙動は、トレーニングを脱線させ、推論の品質を損なう可能性がある。 最近の研究は、幅広い攻撃モデルを検討し、歪んだ勾配を補正するために頑健な集約と/または計算冗長性を探究している。 本研究では、強力な攻撃モデルについて検討する:$q$ omniscient adversaries with full knowledge of the defense protocol that can change from iteration to iteration to weak one: $q$ randomly selected adversaries with limited collusion abilities。
  論文  参考訳（メタデータ） (2022-08-17T05:49:52Z)
• Unsupervised quantum machine learning for fraud detection [23.87373187143897]
  我々は、異常検出のための量子プロトコルを開発し、クレジットカード不正検出のタスクに適用する。 20量子ビットでは、平均精度の量子古典的分離が15%に達する。 本稿では、近・中期量子ハードウェアによる不正検出の可能性について論じ、今後の改善の可能性について述べる。
  論文  参考訳（メタデータ） (2022-08-02T02:08:52Z)

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。