論文の概要: Quantum Computing for Network Security Classification: Near-Term Classification and Long-Term Memory Efficiency

• arxiv url: http://arxiv.org/abs/2609.36479v1
• Date: Tue, 29 Sep 2026 01:37:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.094742
• Title: Quantum Computing for Network Security Classification: Near-Term Classification and Long-Term Memory Efficiency
• Title（参考訳）: ネットワークセキュリティ分類のための量子コンピューティング:短期分類と長期記憶効率
• Abstract要約: 我々は、量子コンピューティングが、短期と長期の両方において、ネットワークセキュリティの分類にどのように貢献するかを示す。 実用的ネットワークセキュリティ分類タスクにおいて,短期量子カーネル支援ベクトルマシン(SVM)の評価を行う。 第2に、量子オラクルスケッチ(QOS)を用いて、ストリーミング古典サンプルを用いた分類において、長期的なメモリ優位性を研究する。
• 参考スコア（独自算出の注目度）: 31.370680569961312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computing has already been explored in several network-security applications. However, how quantum computing may contribute to network-security classification in both the near term and the longer term has not been systematically discussed. This paper studies this question through two complementary experiments. First, we evaluate near-term quantum-kernel support vector machines (SVMs) on practical network-security classification tasks and compare them with classical SVM baselines on KDD Cup 1999, CICIDS2017, and BoT-IoT. Across these runs, quantum kernels are competitive. They can match or improve classical baselines in some settings, while classical RBF kernels remain stronger in others. This suggests that near-term quantum-kernel methods should be evaluated as practical, dataset-dependent alternatives to classical kernels rather than as uniformly superior replacements. Second, we use quantum oracle sketching (QOS) to study a longer-term memory advantage for classification with streaming classical samples. In QOS, samples are processed online and used to incrementally construct an approximate quantum oracle, which provides coherent query access for downstream quantum algorithms without retaining the entire dataset. Under the QOS-inspired machine-size estimate, comparable accuracy corresponds to a substantially smaller effective memory-size proxy than explicit sparse/QRAM-style storage. Compared with a simple streaming proxy, the result is more nuanced because aggressive feature filtering can make the streaming dimension small. This suggests that the long-term value of quantum computing for network-security classification may lie in memory-efficient data access rather than immediate runtime speedup. Together, these experiments show how quantum computing may contribute to network-security classification from near-term classification performance and longer-term memory efficiency.
• Abstract（参考訳）: 量子コンピューティングは、いくつかのネットワークセキュリティアプリケーションで既に研究されている。 しかし、量子コンピューティングが短期と長期のネットワークセキュリティの分類にどのように貢献するかは体系的に議論されていない。 本稿では,この問題を2つの相補的な実験を通して研究する。 まず,実践的なネットワークセキュリティ分類タスクに基づいて,短期量子カーネル支援ベクトルマシン(SVM)を評価し,KDDカップ1999,CICIDS2017,BoT-IoT上での古典的なSVMベースラインと比較する。 これらの実行中、量子カーネルは競争力がある。 いくつかの設定では古典的なベースラインにマッチしたり改善したりできますが、古典的なRBFカーネルは他の設定では強くなっています。 このことは、短期量子カーネル法は、一様に優れた代替品ではなく、古典的なカーネルに代わる実用的なデータセット依存の代替品として評価されるべきであることを示している。 第2に、量子オラクルスケッチ(QOS)を用いて、ストリーミング古典サンプルを用いた分類において、長期的なメモリ優位性を研究する。 QOSでは、サンプルはオンラインで処理され、データセット全体を保持することなく、下流の量子アルゴリズムに対する一貫性のあるクエリアクセスを提供する、近似量子オラクルをインクリメンタルに構築するために使用される。 QOSにインスパイアされたマシンサイズ推定では、同等の精度は明示的なスパース/QRAMスタイルのストレージよりもはるかに小さい有効メモリサイズプロキシに対応している。 単純なストリーミングプロキシと比較すると、アグレッシブな特徴フィルタリングによってストリーミングディメンションが小さくなるため、結果はより曖昧になる。 これは、ネットワークセキュリティ分類のための量子コンピューティングの長期的価値が、即時実行時のスピードアップよりもメモリ効率のよいデータアクセスにあることを示唆している。 これらの実験は、短期的な分類性能と長期記憶効率から、量子コンピューティングがネットワークセキュリティの分類にどのように貢献するかを示す。

関連論文リスト

• Quantum Reservoir Computing: Recent Advances and Future Directions [34.77938621771246]
  量子貯水池計算(QRC)は、時間的およびシーケンシャルな入力を計測された特徴に変換するために、固定または弱調整量子システムの力学を利用する。 その計算力は、しばしば量子系の指数的に大きいヒルベルト空間に起因している。 ハードウェアでは、これらの機能は、有限サンプリング、ハードウェアノイズ、測定バックアクション、観測可能量の推定コストによってさらに制限される。
  論文  参考訳（メタデータ） (2026-07-20T22:38:49Z)
• Partially-Blind Single-Qubit Classification over a Prototype Hybrid Quantum Network [33.72751145910978]
  シングルキュービット分類器(SQCs)は、データ分類という基本的な機械学習タスクを実行することができる小型のハイブリッド量子古典機械である。 ブラインド量子計算(Blind quantum computing, BQC)は、クライアントが情報理論のセキュリティを持つ信頼できないサーバ上でデリゲートされた量子計算を実行することを可能にする。 本稿では、SQCのプロトタイプ実験を行い、分類が行われていることをサーバに知らせるが、データと結果は隠されている。 これは量子ネットワークに統合され、リモートクライアントに量子セキュアな分類を提供する。
  論文  参考訳（メタデータ） (2026-07-02T10:32:34Z)
• Analog Quantum Feature Selection with Neutral-Atom Quantum Processors [31.458406135473805]
  我々は、中性原子配列を用いたアナログ量子シミュレーションに基づく量子特徴選択(QFS)に対する量子ネイティブなアプローチを提案する。 このプロトコルは、アダルト所得、銀行マーケティング、テルコ・チャーンという3つのベンチマークバイナリ分類データセットのシミュレーションによって評価される。 2-5 つの特徴のコンパクトな部分集合では、アナログ QFS は平均 AUC スコアを 1.5-2.3% 改善し、特徴の数を 75-84% 削減した。
  論文  参考訳（メタデータ） (2025-10-23T17:57:34Z)
• Measurement-based quantum convolutional neural network for deep learning [7.689125776844024]
  本稿では,クラスタ状態を利用して量子畳み込みニューラルネットワーク(QCNN)を実装するための代替手法を提案する。 システム全体の安定化は、複雑な制御を避けることで容易である。 クラスター状態を測定することによって量子データと古典データの両方を学習できるという数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-12-11T08:55:07Z)
• 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)
• A Single-Step Multiclass SVM based on Quantum Annealing for Remote Sensing Data Classification [26.80167258721593]
  本研究は,QMSVM(Quantum Multiclass SVM)と呼ばれる,量子アニールに基づく直接多クラス分類のための新しい量子SVMを提案する。 この研究の主な目的は、このアプローチの実現可能性、正確性、および時間性能を評価することである。 リモートセンシングデータの分類問題に対するD-Wave Advantage 量子アニールを用いた実験が実施されている。
  論文  参考訳（メタデータ） (2023-03-21T09:51:19Z)
• Classical ensemble of Quantum-classical ML algorithms for Phishing detection in Ethereum transaction networks [2.049319339062035]
  本稿では、金融取引網におけるフィッシング検出を改善する量子古典アルゴリズムのハイブリッドシステムを提案する。 古典的な量子古典モデルのアンサンブルは、マクロFスコアとフィッシングFスコアを改善した。 1つの重要な観察は、QSVMが常に低い偽陽性を与え、したがって他の古典的または量子的ネットワークと比較して高い精度を与えることである。
  論文  参考訳（メタデータ） (2022-10-30T14:37:21Z)
• Quantum circuit optimization for multiple QPUs using local structure [0.0]
  量子ビットのクラスタを相互接続することは、将来の量子コンピュータをスケールアップするための重要な要素となる。 本稿では,EPRによる遠隔ゲートの利用とクラスタ間のキュービットのテレポーティングについて検討する。 回路深度と配線使用量に大きな改善が見られた。
  論文  参考訳（メタデータ） (2022-06-20T18:01:04Z)
• Accelerating variational quantum algorithms with multiple quantum processors [78.36566711543476]
  変分量子アルゴリズム(VQA)は、特定の計算上の利点を得るために、短期量子マシンを利用する可能性がある。 現代のVQAは、巨大なデータを扱うために単独の量子プロセッサを使用するという伝統によって妨げられている、計算上のオーバーヘッドに悩まされている。 ここでは、この問題に対処するため、効率的な分散最適化手法であるQUDIOを考案する。
  論文  参考訳（メタデータ） (2021-06-24T08:18:42Z)

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。