論文の概要: How Quantum Is the Advantage? A Fair, Calibration- and Noise-Aware Benchmark and Attribution Audit of Quantum Machine Learning for Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2608.18155v1
• Date: Thu, 13 Aug 2026 07:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.158664
• Title: How Quantum Is the Advantage? A Fair, Calibration- and Noise-Aware Benchmark and Attribution Audit of Quantum Machine Learning for Network Intrusion Detection
• Title（参考訳）: 量子はどのような利点があるのか? ネットワーク侵入検知のための量子機械学習の公正、校正、騒音を考慮したベンチマークと属性監査
• Authors: Syeda Anshrah Gillani, Mirza Samad Ahmed Baig, Shahid Munir Shah, Asher Ali, Hamzah Siddiqui,
• Abstract要約: ネットワーク侵入検出のための量子機械学習は、ほぼ完全な精度に達するように定期的に報告される。 多くの厳密な研究は、よく調整された古典的なモデルは競争力を維持している。 本稿では,ハイブリッド変分量子回路の評価を行う,統一的で再現可能なQML-IDSベンチマークを提案する。
• 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: Quantum machine learning (QML) for network intrusion detection (NIDS) is routinely reported to reach near-perfect accuracy, yet the most rigorous studies find that well-tuned classical models remain competitive, and that apparent quantum gains may be artefacts of classical dimensionality reduction and implicit regularisation rather than genuine quantum effects. We ask not whether a quantum model can post a high accuracy, but how quantum the advantage really is. We present a unified, reproducible QML-IDS benchmark evaluating hybrid variational quantum circuits and quantum-kernel SVMs against five honestly-tuned classical baselines across four standard NIDS datasets (NSL-KDD, UNSW-NB15, CICIDS2017, NF-ToN-IoT-v2) under one leakage-controlled protocol, with an equal-budget feature view, imbalance- and calibration-aware metrics with significance testing, and a simulated NISQ noise sweep. We introduce a quantum-attribution audit (parameter-matched classical controls, a random-feature kernel, and a regularisation sweep) that quantifies how much of any gain is genuinely attributable to the quantum component. Tuned classical models (Random Forest, XGBoost) match or exceed the quantum models on aggregate detection on every dataset, and the audit attributes this to classical preprocessing and regularisation rather than quantum effects. Two advantages survive false-discovery-rate correction: the quantum-kernel SVM out-ranks its direct classical surrogate (a random-feature kernel) on AUPRC and ROC-AUC, and a small four-qubit hybrid out-detects the best classical baseline at the 1% false-positive operating point on the distribution-shifted NSL-KDD task (p = 0.005, BH q = 0.030). Code, seeds, and splits are released; our contribution stands whether quantum wins, ties, or loses.
• Abstract（参考訳）: ネットワーク侵入検知(NIDS)のための量子機械学習(QML)は、ほぼ完全な精度に達すると定期的に報告されているが、最も厳密な研究は、十分に調整された古典的なモデルが競争力を維持し、明らかな量子ゲインは、真の量子効果よりも古典的な次元の減少と暗黙の正則化の成果であることを示している。 我々は、量子モデルが高い精度を提示できるかどうかを問うのではなく、量子の優位性が実際にどの程度あるのかを問う。 そこで我々は,4つの標準NIDSデータセット (NSL-KDD, UNSW-NB15, CICIDS2017, NF-ToN-IoT-v2) に対して,1つのリーク制御プロトコルの下で,ハイブリッド変分量子回路と量子カーネルSVMの5つの正直に調整された古典的ベースライン(NSL-KDD, UNSW-NB15, CICIDS2017, NF-ToN-IoT-v2)に対して,均一で再現可能なQML-IDSベンチマークを提案する。 本稿では、量子成分の真に寄与するゲインの量を定量化する量子属性監査(パラメータマッチング古典制御、ランダム関数カーネル、正規化スイープ)を導入する。 チューニングされた古典的モデル(ランサムフォレスト、XGBoost)は、全てのデータセットの集合的検出において量子モデルと一致するか、あるいは超えている。 量子カーネル SVM は AUPRC と ROC-AUC の直接古典的サロゲート(ランダムな機能を持つカーネル)を上回り、小さな4ビットハイブリッドは分布シフトした NSL-KDD タスク(p = 0.005, BH q = 0.030)の1%の偽陽性操作点において、最良の古典的ベースラインを外周する。 コード、種、分割は解放されます。

関連論文リスト

• Adversarial Limits of Quantum Certification: When Eve Defeats Detection [0.0]
  量子鍵分布のセキュリティは、観測された相関が真の量子絡み合いから生じるという証明に依存する。 Eve GAN(イーブ・ガン)は、量子と区別できない古典的な相関関係を生成するために訓練された生成的敵ネットワークである。 従来の認定試験では,同じ分布校正が,検出性能を44ポイント向上させるのが一般的である。
  論文  参考訳（メタデータ） (2025-12-04T02:24:04Z)
• Hybrid Quantum-Classical Learning of Nonlinear Entanglement Witnesses via Continuous-Variable Quantum Neural Networks [0.0]
  連続可変量子ニューラルネットワーク(CV-QNN)を用いた非線形絡み合い証を量子データから直接学習するハイブリッド量子古典的フレームワークを提案する。 我々のアーキテクチャは、変分干渉計、スクレーパー、非ガウスのカーゲートと小型の古典的ニューラルヘッドを組み合わせてスカラー目撃値を出力する。 量子測定段階が情報的に完備である場合、ハイブリッドモデルは、コンパクトな状態集合上の任意の連続的な証人様関数を近似することができることを示す。
  論文  参考訳（メタデータ） (2025-09-07T04:45:59Z)
• 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)
• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• Quantum phase classification via quantum hypothesis testing [0.39102514525861415]
  理論的には2つの量子状態の区別に最適である量子ネイマン・ピアソン検定に基づく分類アルゴリズムを提案する。 その結果,提案手法は低い分類誤差確率を実現し,トレーニングコストを大幅に削減できることがわかった。 これらの知見は、量子位相分類の強力なツールとしての量子仮説テストの可能性を強調している。
  論文  参考訳（メタデータ） (2025-04-05T08:23:45Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering [38.02852247910155]
  新しいQuantum Error Mitigation(QEM)技術では、Fizzy C-Meansクラスタリングを使用して測定エラーパターンを特定できる。 実 NISQ 5-qubit 量子プロセッサのサブセットとして得られた 2-qubit レジスタ上で,この手法の原理的検証を報告する。 我々は、FCMベースのQEM技術により、単一および2ビットゲートベースの量子回路の期待値が合理的に改善できることを実証した。
  論文  参考訳（メタデータ） (2024-02-02T14:02:45Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Classical Verification of Quantum Learning [42.362388367152256]
  量子学習の古典的検証のための枠組みを開発する。 そこで我々は,新しい量子データアクセスモデルを提案し,これを"mixture-of-superpositions"量子例と呼ぶ。 この結果から,学習課題における量子データの潜在能力は無限ではないものの,古典的エージェントが活用できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-08T00:31:27Z)
• 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)
• Quantum noise protects quantum classifiers against adversaries [120.08771960032033]
  量子情報処理におけるノイズは、特に短期的な量子技術において、破壊的で避け難い特徴と見なされることが多い。 量子回路の非偏極雑音を利用して分類を行うことにより、敵に縛られるロバスト性を導出できることを示す。 これは、最も一般的な敵に対して使用できる最初の量子プロトコルである。
  論文  参考訳（メタデータ） (2020-03-20T17:56:14Z)

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。