論文の概要: Benchmarking Classical and Quantum Machine Learning for Intrusion Detection Across Multiple Datasets

• arxiv url: http://arxiv.org/abs/2610.33119v1
• Date: Fri, 23 Oct 2026 05:48:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.250277
• Title: Benchmarking Classical and Quantum Machine Learning for Intrusion Detection Across Multiple Datasets
• Title（参考訳）: 複数データセット間の侵入検出のための古典・量子機械学習のベンチマーク
• Abstract要約: 侵入検出は、3つのデータセット上での古典的および量子機械学習モデルの比較ベンチマークによって検証される。 この分析は、前処理の決定、特徴選択戦略、および量子符号化スキームが、ノイズと複雑さのレベルが異なるデータ上でモデルパフォーマンスをどのように形成するかに焦点を当てている。
• 参考スコア（独自算出の注目度）: 0.4511923587827302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intrusion detection is examined through a comparative benchmark of classical and quantum machine learning models on three datasets: NSL-KDD, UNSW-NB15, and MQTTEEB-D2025. The analysis focuses on how preprocessing decisions, feature selection strategies, and quantum encoding schemes shape model performance on data with differing levels of noise and complexity. A single unified pipeline is applied, covering normalization, class-imbalance handling, dimensionality reduction, and two feature selection methods: Random Forest importance and a quantum-aware approach that combines Quantum Kernel Alignment with Mutual Information (QKA-MI). Four classifiers are compared: Support Vector Machine, Random Forest, Quantum Support Vector Machine, and Pegasos Quantum SVM. The classical models perform consistently across all three datasets, whereas the quantum models depend more strongly on feature representation and kernel alignment. Quantum-aware feature selection yields marked gains for the quantum models, especially on cleaner datasets, while heterogeneous traffic remains difficult. Pegasos Quantum SVM offers a good trade-off between accuracy and computational cost, underscoring the role of preprocessing alignment in practical quantum intrusion detection.
• Abstract（参考訳）: 侵入検出は、NSL-KDD、UNSW-NB15、MQTTEEB-D2025という3つのデータセット上の古典的および量子機械学習モデルの比較ベンチマークによって検証される。 この分析は、前処理の決定、特徴選択戦略、および量子符号化スキームが、ノイズと複雑さのレベルが異なるデータ上でモデルパフォーマンスをどのように形成するかに焦点を当てている。 正規化、クラス不均衡処理、次元減少、およびランダムフォレストの重要性と量子カーネルアライメントと相互情報(QKA-MI)を組み合わせた量子認識アプローチの2つの特徴選択方法をカバーする単一の統一パイプラインが適用される。 Support Vector Machine、Random Forest、Quantum Support Vector Machine、Pegasos Quantum SVMの4つの分類器を比較した。 古典モデルは3つのデータセット全てで一貫して動作し、量子モデルは特徴表現とカーネルアライメントに強く依存する。 量子を意識した特徴選択は、量子モデル、特によりクリーンなデータセットにおいて顕著な利益を得る一方、不均一なトラフィックは依然として困難である。 Pegasos Quantum SVMは精度と計算コストの良好なトレードオフを提供し、実用的な量子侵入検出における前処理アライメントの役割を強調している。

関連論文リスト

• How Quantum Is the Advantage? A Fair, Calibration- and Noise-Aware Benchmark and Attribution Audit of Quantum Machine Learning for Network Intrusion Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-13T07:44:35Z)
• Comparing Classical and Quantum Variational Classifiers on the XOR Problem [0.0]
  変分量子モデルは高次元ヒルベルト空間の量子ビットで動作する。 XOR問題における古典モデルと変分量子分類器を比較した。
  論文  参考訳（メタデータ） (2026-02-27T17:46:52Z)
• 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)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
  量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。 入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。 我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2025-04-13T11:49:53Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Benchmarking quantum machine learning kernel training for classification tasks [0.0]
  本研究は、分類タスクの文脈における量子カーネル法に焦点を当てる。 量子カーネル推定(QKE)と量子カーネル訓練(QKT)の性能を2つの量子特徴写像と関連づけて検討する。 実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-17T10:53:06Z)
• 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)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Multi-class quantum classifiers with tensor network circuits for quantum phase recognition [0.0]
  ネットワークにインスパイアされた回路は、変分量子固有解回路の自然な選択として提案されている。 本稿では,ツリーテンソルネットワークとマルチスケール再正規化アンサッツ回路に基づくマルチクラスの絡み合いに関する数値実験を行う。
  論文  参考訳（メタデータ） (2021-10-15T21:55:13Z)

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。