論文の概要: Quantum Anomaly Detection in network traffic using Variational Quantum Classifiers

• arxiv url: http://arxiv.org/abs/2610.34635v1
• Date: Sun, 25 Oct 2026 23:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 18:41:20.888098
• Title: Quantum Anomaly Detection in network traffic using Variational Quantum Classifiers
• Title（参考訳）: 変分量子分類器を用いたネットワークトラフィックの量子異常検出
• Abstract要約: 本研究では,ネットワークトラフィック異常検出における量子機械学習(QML)の可能性を検討する。 古典的アルゴリズムは、比較的単純なクラス分離で構造化されたデータを分類する能力において支配的のままである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasingly complex cybersecurity landscape requires more advanced network anomaly detection systems. Although, classical machine learning models are known to be effective, they reach computational bottlenecks when processing high-dimensional data. This study investigates the potential of Quantum Machine Learning (QML) for network traffic anomaly detection by evaluating four distinct Variational Quantum Classifier (VQC) architectures. A synthetic network traffic dataset is generated for the evaluations. The VQC models systematically varied feature encoding methods, parameterized ansatz circuits, quantum neural network types, and classical optimizers. Experimental results show that a trade-off exists between circuit expressivity and optimization stability. Deeper circuits (VQC-4) achieved higher accuracy of upto 89.0\%, while simultaneously being sensitive to training conditions. A shallower variant (VQC-1) under performed, although it had consistent and stable optimization curves. Class-dependent biases were also observed such as in VQC-2, where the model struggled to find an effective decision boundary, and produced a large number of false negatives. The best performing model in this study (VQC-3) combined ZFeatureMap with RealAmplitudes ansatz, optimized using ADAM. Comparative analysis against classical machine learning models such as Support Vector Machine and Random Forest reveal a performance gap, where classical models are able to achieve perfect classification performance on the synthetic data. It is concluded that classical algorithms remain dominant in their ability to classify structured data with relatively simple class separations. However, due to the observed potential of certain VQC configurations to learn decision boundaries to classify data, their utility for future applications in noisier, higher-dimensional problems is highlighted.
• Abstract（参考訳）: ますます複雑化するサイバーセキュリティの状況は、より高度なネットワーク異常検知システムを必要とする。 古典的な機械学習モデルは有効であることが知られているが、高次元データを処理する際に計算ボトルネックに達する。 本研究では、4つの異なる変分量子分類器(VQC)アーキテクチャを評価することにより、ネットワークトラフィック異常検出のための量子機械学習(QML)の可能性を検討する。 評価のために合成ネットワークトラフィックデータセットを生成する。 VQCモデルは、体系的に異なる特徴符号化方法、パラメータ化されたアザッツ回路、量子ニューラルネットワークタイプ、古典的なオプティマイザである。 実験の結果,回路表現性と最適化安定性の間にはトレードオフが存在することがわかった。 より深い回路(VQC-4)は89.0\%まで精度が高く、同時に訓練条件に敏感である。 より浅い変種(VQC-1)が実行されたが、安定的で安定した最適化曲線を持っていた。 VQC-2では、モデルが効果的な決定境界を見つけるのに苦労し、多数の偽陰性を生成するなど、クラス依存バイアスも観察された。 この研究で最高のパフォーマンスモデル(VQC-3)は、ZFeatureMapとRealAmplitudes ansatzを組み合わせて、ADAMを用いて最適化した。 Support Vector MachineやRandom Forestのような古典的な機械学習モデルとの比較分析は、古典的なモデルが合成データ上で完璧な分類性能を達成できるパフォーマンスギャップを明らかにしている。 古典的アルゴリズムは、比較的単純なクラス分離で構造化されたデータを分類する能力において支配的のままである。 しかしながら、データ分類のための決定境界を学習する特定のVQC構成の観測可能性から、将来のアプリケーションにおいてよりノイズの多い高次元問題に利用できることが強調されている。

関連論文リスト

• Quantum Machine Learning for Image Classification: A Hybrid Model of Residual Network with Quantum Support Vector Machine [0.0]
  本研究では,特徴抽出にResNet-50,ポテト病検出にQuantum Support Vector Machines(QSVM)を用いたハイブリッド手法を提案する。 本研究では,ResNet-50を用いて,ポテト病のRGB画像から深い特徴表現を抽出し,主成分分析(PCA)を用いて次元化を図った。 実験の結果、Z-Feature MapベースのQSVMは古典的なモデルよりも優れており、99.23パーセントの精度でSVMとRFモデルを上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-10-26T07:52:53Z)
• Quantum Machine Learning Applied to the Sinking of the Titanic [0.0]
  量子モデルは、最大50の変動パラメータを持つパウリエンタングリングと非エンタングリング拡張ベースの特徴写像とリアル振幅アンサッツを用いて構築された。 モデルトレーニングでは、クロスエントロピー損失を最小限に抑えるため、COBYLAグラデーションフリーフレームワークを使用した。
  論文  参考訳（メタデータ） (2025-08-31T16:00:52Z)
• Evaluating Angle and Amplitude Encoding Strategies for Variational Quantum Machine Learning: their impact on model's accuracy [0.6553587309274792]
  変分量子回路(VQC)は、量子回路がデータ推論を処理し、古典的な最適化が回路のパラメータを調整するハイブリッドモデルである。 本研究は,アングルエンコーディングモデルとアングルエンコーディングモデルの両方を考慮した解析を行い,ローテーションゲートの種類がモデルの分類性能に与える影響について検討する。 この研究は、同じモデルトポロジの下では、最高のモデルと最悪のモデルの精度の差は10%から30%で、差は最大41%に達することを示した。
  論文  参考訳（メタデータ） (2025-08-01T16:43:45Z)
• Research of the Variational Shadow Quantum Circuit Based on the Whale Optimization Algorithm in Image Classification [5.476164902473674]
  本稿では,Whale Optimizationアルゴリズムに基づく可変分割型シャドウ量子回路(VSQC)モデルを提案する。 本稿では,MNISTデータセット上でのバイナリ分類処理を実現するために,異なる局所化シャドウサーキットVSQCモデルを用いる。 強い絡み合ったシャドウ回路の設計は、分類精度の点で最良である。
  論文  参考訳（メタデータ） (2025-05-15T06:14:02Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)

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。