論文の概要: Characterizing Privacy Risks of Quantum Machine Learning with Emergent Quantum-Native Access

• arxiv url: http://arxiv.org/abs/2609.05702v2
• Date: Wed, 09 Sep 2026 11:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.110271
• Title: Characterizing Privacy Risks of Quantum Machine Learning with Emergent Quantum-Native Access
• Title（参考訳）: 創発的量子ネイティブアクセスによる量子機械学習のプライバシリスク評価
• Abstract要約: 量子アクセスと量子コンピューティング能力の増大は、理論的プライバシーの漏洩と実証的敵意の増大を証明できることを示す。 その結果,QMLモデルにおけるプライバシリークに関する既存の研究は,創発的な量子ネイティブアクセスレジームにおけるプライバシリークを過小評価していることがわかった。
• 参考スコア（独自算出の注目度）: 4.24756753556479
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Quantum Machine Learning (QML) has shown rapid advances by utilizing quantum computing for machine learning tasks. Meanwhile, the privacy risks accompanying QML is also starting to be studied, which inherit privacy leakage channels from "classical" ML and also quantum-unique risks. Existing work on privacy-preserving QML largely focuses on a QML-as-a-service scenario, which generally assumes that the QML model owner provides only classical bit outputs to queries, while users (and adversaries) have only classical computing abilities. However, this view is increasingly challenged in a quantum-native world of quantum-capable users/adversaries, which may have access to both quantum computing abilities and access to quantum information output from service providers. In this paper, we aim to bridge this gap by examining membership inference attacks against QML models by demonstrating that increasing quantum access and quantum computing abilities provides provable theoretical privacy leakage and empirical adversarial gain. However, the probabilistic nature of QML introduces a gap between theoretical and empirical adversarial advantage. These results show that existing research on privacy leakage in QML models underestimates privacy leakage in emergent quantum-native access regimes, and we hope to establish a first step in examining potential privacy leakages for QML in the quantum-native world.
• Abstract（参考訳）: 量子機械学習(QML)は、機械学習タスクに量子コンピューティングを活用することで、急速に進歩している。 一方、QMLに伴うプライバシーリスクも研究され始めており、これは"古典的"MLからプライバシー漏洩チャネルを継承し、量子一様リスクも受け継がれている。 QMLモデル所有者は古典的なビット出力のみをクエリに提供し、一方ユーザ(および敵)は古典的なコンピューティング能力しか持っていないと仮定する。 しかし、量子コンピューティング能力とサービスプロバイダから出力される量子情報の両方にアクセス可能な量子能力を持つユーザ/管理者の量子ネイティブの世界では、この見解はますます疑問視されている。 本稿では,QMLモデルに対するメンバシップ推論攻撃を調査し,量子アクセスと量子コンピューティング能力の増大が理論的プライバシー漏洩と実証的逆効果をもたらすことを示すことによって,このギャップを埋めることを目的とする。 しかし、QMLの確率的性質は、理論的および経験的敵対的優位性の間にギャップをもたらす。 これらの結果は、QMLモデルのプライバシリークに関する既存の研究が、創発的な量子ネイティブアクセスシステムにおけるプライバシリークを過小評価していることを示している。

関連論文リスト

• Black-Box Auditing of Quantum Model: Lifted Differential Privacy with Quantum Canaries [27.661393333662474]
  量子機械学習(QML)は、計算上の大きな利点を約束するが、個々のレコードを記憶する機密データリスクに基づいて訓練されたモデルである。 我々は,量子差分プライバシーに基づくQMLのための最初のブラックボックスプライバシ監査フレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-12-16T13:26:41Z)
• A Primer on Quantum Machine Learning [0.0]
  量子機械学習(Quantum Machine Learning, QML)は、量子力学のリソースを応用して学習問題を解決するための計算パラダイムである。 我々は、実用性と保証、アクセスモデルとスピードアップ、古典的なベースラインの間のフィールドの緊張関係について概説する。 我々はQMLのランドスケープのフレンドリーなマップを提供することを目標とし、読者がいつ、そしてどの仮定量子アプローチが真に利益をもたらすかを判断できるようにする。
  論文  参考訳（メタデータ） (2025-11-20T01:47:21Z)
• Quantum Machine Learning [0.8544206632559302]
  量子機械学習(QML)は、量子コンピューティングの先進的なユースケースの一つとして広く考えられている。 本章では、QMLの基本について紹介し、QMLの分野における最近の進歩と今後の動向について概観する。 MLタスクにおいて量子優位を達成するための重要な機会を強調し、現在QMLの分野で直面しているいくつかのオープンな課題について説明する。
  論文  参考訳（メタデータ） (2025-06-14T00:58:54Z)
• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Predominant Aspects on Security for Quantum Machine Learning: Literature Review [0.0]
  量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと古典的な機械学習の有望な交わりとして登場した。 本稿では,セキュリティ上の懸念と強みがQMLとどのように結びついているのかを,系統的な文献レビューを用いて論じる。
  論文  参考訳（メタデータ） (2024-01-15T15:35:43Z)
• Harnessing Inherent Noises for Privacy Preservation in Quantum Machine Learning [11.45148186874482]
  我々は,量子機械学習におけるデータプライバシ保護に固有の量子ノイズを活用することを提案する。 特に、ノイズ中規模量子(NISQ)デバイスを考えると、避けられないショットノイズと非コヒーレントノイズを利用する。
  論文  参考訳（メタデータ） (2023-12-18T11:52:44Z)
• Foundations of Quantum Federated Learning Over Classical and Quantum Networks [59.121263013213756]
  量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。 QFLは古典的通信網と量子的通信網の両方に展開できる。
  論文  参考訳（メタデータ） (2023-10-23T02:56:00Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。