論文の概要: Pareto-optimal quantum kernel selection for unsupervised anomaly detection on real malware beaconing data
- arxiv url: http://arxiv.org/abs/2610.09717v1
- Date: Wed, 07 Oct 2026 09:13:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.820121
- Title: Pareto-optimal quantum kernel selection for unsupervised anomaly detection on real malware beaconing data
- Title（参考訳）: 実マルウェアビーコンデータを用いた教師なし異常検出のためのパレート最適量子カーネル選択
- Abstract要約: 量子カーネル法は、機械学習における実用的な量子優位性の候補である。
我々は、正規化擬似不一致(NPD)を同時に最適化する、完全に教師なし、多目的プロトコルを導入する。
本研究では、実ネットワークトラフィックにおけるマルウェアのビーコン検出に、忠実度と予測量子カーネルを備えた一級サポートベクトルマシンを用いて適用する。
- 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 kernel methods are leading candidates for a practical quantum advantage in machine learning, but assessing that potential requires two quantities usually reported separately: how well a kernel performs on the task, and how far its geometry departs from the classical kernels available for the same problem. We introduce a fully unsupervised, multi-objective protocol that optimises simultaneously the normalised pseudo discrepancy (NPD), a label-free proxy for anomaly detection quality, and the geometric difference (GD) to a tuned classical reference kernel, selecting models from the resulting Pareto front. We apply it to malware beaconing detection in real network traffic, using a one-class support vector machine with fidelity and projected quantum kernels over four data encodings, on simulators and on IQM's 20-qubit Garnet processor. NPD-guided selection alone finds a fidelity kernel that beats the tuned classical baseline, but with a geometric difference too small to certify the gain as quantum. Projected kernels reach far larger geometric differences; the Pareto-selected one only marginally exceeds the baseline (AUC $0.782$ versus $0.765$, $g_{C\to Q}\approx 89>\sqrt{N}$ relative to that reference kernel), still below the NPD-selected fidelity kernel ($0.840$).
- Abstract（参考訳）: 量子カーネル法は、機械学習における実用的な量子優位性の候補となっているが、そのポテンシャルを評価するには、通常2つの量が必要である。
本稿では,正規化擬似整合性 (NPD) と異常検出品質のラベルなしプロキシ,および幾何差分 (GD) をチューニングされた古典的参照カーネルに同時に最適化し,結果のParetoフロントからモデルを選択する,完全に教師なしの多目的プロトコルを提案する。
実ネットワークトラフィックにおけるマルウェアのビーコン検出に応用し、4つのデータエンコーディング、シミュレータ、IQMの20量子Garnetプロセッサ上で1クラスのサポートベクターマシンと量子カーネルを投影する。
NPD誘導選択だけでは、チューニングされた古典的ベースラインを破る忠実度カーネルを見つけるが、幾何学的差が小さすぎて量子として利得を証明できない。
パレート選択されたカーネルはベースラインをわずかに超える(AUC $0.782$ vs $0.765$, $g_{C\to Q}\approx 89>\sqrt{N}$)。
関連論文リスト
- Quantum Kernels and the Cross-Section of Stock Returns: Anatomy of a Vanishing Advantage [0.0]
中国のAシェア市場では、量子忠実カーネル、投影された量子カーネル、古典的なRBF制御が同一のトレーニングサブサンプル、ソルバ、チューニング予算を共有しているため、カーネルのみを交換する。
ポイントインタイム宇宙と170個のウォーキングフォワードウインドウ(2012-2025)の主評価では、量子的優位性は存在しない。
フルサンプル情報で遮蔽された宇宙の60ウィンドウ評価では、同じ量子核が安定性基準に支配的であり、神経ベースラインよりも著しく優れているように見える。
論文 参考訳（メタデータ） (2026-07-22T14:04:12Z) - Balancing Expressivity and Learnability in Quantum Kernel Bandit Optimization [50.880384999888044]
我々は,不特定なGP帯域幅アルゴリズムを開発し,近似誤差と情報ゲインとのトレードオフを特徴付ける後悔境界を導出する。
提案手法は, 計算オーバーヘッドを大幅に低減しつつ, サンプル効率で完全量子カーネルの性能を向上する。
論文 参考訳（メタデータ） (2026-07-01T15:38:00Z) - Neural Network Quantum Field Theory from Transformer Architectures [0.0]
本稿では,変圧器のアテンションヘッドを用いたユークリッドスカラー量子場理論のニューラルネットワーク構築を提案する。
単一の注意ヘッドに対して、共有ランダムなソフトマックス重みは異なる幅座標を結合し、非ガウス場統計を誘導する。
標準の1/N_h$正規化で多くの独立ヘッドをまとめると、接続された非ガウスの相関子を1/N_h$に抑え、大きな上限でガウスのNN-QFTが得られることを示す。
論文 参考訳（メタデータ） (2026-02-10T19:02:03Z) - Universality and kernel-adaptive training for classically trained, quantum-deployed generative models [7.192684088403013]
ビットストリング上の有望な量子生成モデルとして、IQP量子回路Born Machine (QCBM) が提案されている。
近年の研究では、IQP-QCBMのトレーニングは古典的には、ガウスカーネル最大平均誤差(MMD)損失関数(英語版)のように、牽引可能であることが示されている。
カーネル適応法では、MDD値の収束はジェネレータの分布の弱収束を意味することを示す。
論文 参考訳（メタデータ） (2025-10-09T17:17:34Z) - Quantum Patch-Based Autoencoder for Anomaly Segmentation [44.99833362998488]
画像の異常セグメンテーションのためのパッチベースの量子オートエンコーダ(QPB-AE)を提案する。
QPB-AEは、組み込まれた入力パッチの量子状態を再構成し、測定から直接異常マップを計算する。
複数のデータセットとパラメータ構成でその性能を評価する。
論文 参考訳（メタデータ） (2024-04-26T08:42:58Z) - Shot-frugal and Robust quantum kernel classifiers [12.146571029233435]
量子カーネル法は、機械学習における量子スピードアップの候補である。
分類タスクにおいて,その目的は信頼性の高い分類であり,正確なカーネル評価ではないことを示す。
我々は分類の信頼性を特徴付ける新しい指標を動機付けている。
論文 参考訳（メタデータ） (2022-10-13T12:48:23Z) - Local Sample-weighted Multiple Kernel Clustering with Consensus
Discriminative Graph [73.68184322526338]
マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。
本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。
実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2022-07-05T05:00:38Z) - Taming Nonconvexity in Kernel Feature Selection---Favorable Properties
of the Laplace Kernel [77.73399781313893]
カーネルベースの特徴選択の客観的機能を確立することが課題である。
非言語最適化に利用可能な勾配に基づくアルゴリズムは、局所ミニマへの収束を保証できるだけである。
論文 参考訳（メタデータ） (2021-06-17T11:05:48Z) - Isolation Distributional Kernel: A New Tool for Point & Group Anomaly
Detection [76.1522587605852]
分離分散カーネル(IDK)は2つの分布の類似性を測定する新しい方法である。
我々は、カーネルベースの異常検出のための新しいツールとして、IDKの有効性と効率を示す。
論文 参考訳（メタデータ） (2020-09-24T12:25:43Z) - Learning Deep Kernels for Non-Parametric Two-Sample Tests [50.92621794426821]
2組のサンプルが同じ分布から引き出されるかどうかを判定するカーネルベースの2サンプルテストのクラスを提案する。
私たちのテストは、テストパワーを最大化するためにトレーニングされたディープニューラルネットワークによってパラメータ化されたカーネルから構築されます。
論文 参考訳（メタデータ） (2020-02-21T03:54:23Z)
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。