論文の概要: Fully Quantum Latent Diffusion for Synthetic Malware Records: Effective Denoising, Limited Class Information, and Costly Post-Selection

• arxiv url: http://arxiv.org/abs/2610.38974v1
• Date: Wed, 28 Oct 2026 21:58:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:06:51.611959
• Title: Fully Quantum Latent Diffusion for Synthetic Malware Records: Effective Denoising, Limited Class Information, and Costly Post-Selection
• Title（参考訳）: 合成マルウェアの完全量子潜時拡散:効果的な復調, 限定情報, 費用対効果
• Abstract要約: 本研究では,マルウェアレコードに対する完全量子潜在拡散モデルを提案する。 10種の種を持つ17のマルウェア群について, ランダムな状態, 完全生成器, パラメータマッチングされた古典的制御, 古典的潜伏拡散モデルと比較した。 この回路はデノナイジング不忠実度を63%下げるが、そのレコードで訓練された分類器は実レコードで0.11点、ランダムな状態では0.08点、完全生成では0.61点、古典的な拡散モデルでは0.44点に達する。
• 参考スコア（独自算出の注目度）: 0.5746890632501872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malware benchmarks are difficult to share, because the samples are harmful and a corpus can reveal the incidents of its holder, while synthetic substitutes can leak training records. Quantum diffusion models, however, have been evaluated only on images or quantum states, leaving the utility, privacy, and sampling cost of their samples unknown. In this research, we introduce a fully quantum latent diffusion model for malware records, in which a parameterized circuit with one mid-circuit measurement denoises amplitude-encoded latent vectors of opcode sequences without classical neural layers. On 17 malware families with ten seeds, we compared it with random states, a perfect generator, a parameter-matched classical control, and a classical latent diffusion model. The circuit lowers its denoising infidelity by 63\%, yet classifiers trained on its records reach a macro-F1 score of 0.11 on real records, against 0.08 for random states, 0.61 for a perfect generator, and 0.44 for a classical diffusion model of comparable size, and adding its records to real training data lowers the score from 0.635 to 0.593. Post-selected sampling accepts $3.0\times10^{-7}$ of runs, and a training penalty that raises the acceptance to 0.14 removes most of the denoising. No synthetic record copies a training record, and smoothing the decoded lengths lowers the area under the curve of a length-based membership test from 0.80 to 0.51, which a differentially private length histogram matches with a formal guarantee. These results indicate that quantum generators of shareable security data require a joint evaluation of utility, privacy, and sampling cost.
• Abstract（参考訳）: マルウェアのベンチマークは、サンプルが有害であり、コーパスが保持者のインシデントを明らかにし、合成代替品がトレーニング記録を漏洩させるため、共有が難しい。 しかし、量子拡散モデルは画像や量子状態でのみ評価され、それらのサンプルの実用性、プライバシー、サンプリングコストが不明である。 本研究では,1つの中間回路の測定値を持つパラメータ化回路が,古典的ニューラルネットワーク層を持たないオプコードシーケンスの振幅符号化潜在ベクトルをノイズ化する,マルウェアレコードのための完全量子潜在拡散モデルを提案する。 10種の種を持つ17のマルウェア群について, ランダムな状態, 完全生成器, パラメータマッチングされた古典的制御, 古典的潜伏拡散モデルと比較した。 この回路はデノナイジング不忠実度を63 %下げるが、実レコード上で訓練された分類器はマクロF1スコアが0.11、ランダム状態が0.08、完全生成器が0.61、古典的拡散モデルが0.44、実際のトレーニングデータにレコードを追加するとスコアが0.635から0.593に低下する。 ポストセレクションされたサンプリングは、$3.0\times10^{-7}$のランを受け取り、0.14まで受け入れるトレーニングペナルティは、デノイングの大部分を除去する。 合成記録はトレーニングレコードをコピーせず、復号された長さを平滑にすることで、長さベースメンバーシップテストの曲線下の面積を0.80から0.51に下げる。 これらの結果は、共有可能なセキュリティデータの量子ジェネレータは、ユーティリティ、プライバシ、サンプリングコストを共同で評価する必要があることを示している。

関連論文リスト

• Unit-Aware Differentially Private Quantum Machine Learning for Clinical and Wearable Health Data [0.30938904602244355]
  差分プライバシー(DP)は、トレーニング可能なパラメータの個数とともに、合計等級が大きくなるノイズを注入することで、この漏れを抑える。 これは量子機械学習(QML)を含むパラメータ効率の良いモデルを動機付けている。 キャパシティマッチングされた量子、多層パーセプトロン、ロジスティック回帰モデルを5つのプライバシ予算と5つのシードで比較する。
  論文  参考訳（メタデータ） (2026-10-20T22:38:13Z)
• FALLNEST: Dual-Domain Dataset Condensation of Imbalanced IMU Data for Wearable Fall Detection [2.418921313838797]
  ウェアラブルな転倒検出は、希少な転倒イベント、ラベル付きIMUデータ不足、大規模で不均衡なコーパス上での深層モデルのトレーニングコストによって妨げられる。 本稿では、FALLNESTと呼ばれる合成時間周波数縮合にマッチする正規化段階および埋め込みによる新しい転倒検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T12:25:20Z)
• Architectural Robustness to Label Noise Using Variational Quantum Circuits for Medical Image Classification [1.2909179186346813]
  本稿では,凍結したバックボーンの特徴を低次元境界ボトルネックにルーティングすることで,ロバスト性が得られるかどうかを考察する。 角度符号化と線形コスト関数を持つ変分量子回路は、まさにそのようなクラスを実現する。 クリーンなラベルの下で、モデルは公表されたハイブリッド量子古典モデルに対して、6つのMedMNISTv2ベンチマークのうち5つをリードする。
  論文  参考訳（メタデータ） (2026-10-12T04:24:27Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• Robust Physics Discovery from Highly Corrupted Data: A PINN Framework Applied to the Nonlinear Schrödinger Equation [0.0]
  重騒音条件下でのNVIDIA Schrodinger Equation(LSEN)から物理パラメータを復元できるディープラーニングフレームワークを実証する。 相対誤差が0.2%未満の非線形係数ベータを500個のスパースサンプルデータポイントのみを用いて再構成する。 その結果,物理学に基づく正則化は高い測定の不確実性に対して有効なフィルタとして機能することが示唆された。
  論文  参考訳（メタデータ） (2026-01-07T18:43:11Z)
• Neural quantum states for entanglement depth certification from randomized Pauli measurements [0.0]
  絡み合い深さ(Entanglement depth)は、実際の多部絡み合いを共有するキュービットの数を定量化する。 認定は通常 仕立てられた証人や フルトモグラフィーに頼っている 我々は、エンタングルメント深さと非$$$セパビリティ認定を、可能性に基づくモデル選択として再放送する。
  論文  参考訳（メタデータ） (2025-12-15T09:20:15Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
  逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。 これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
  論文  参考訳（メタデータ） (2022-06-21T17:27:27Z)

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。